ESCUELA POLITECNICA DEL EJRCITO DEPARTAMENTO DE ELECTRICA Y ELECTRONICA CONTROL INTELIGENTE TEMA: Diseo de un controlador discreto con red

neuronal inversa para el sistema dinmico de la antena INTEGRANTES: Fernando Idrovo David Andrade DECIMO NIVEL ELECTRNICA

Informe de Control Inteligente N.-4 1. Descripcin del Problema: 1.1. General: Disee e implemente un controlador directo con una red neuronal inversa para el sistema dinmico antena.

1.2. Especficos: Entender que son los controladores directos y como configurar una red neuronal para que actu sobre el sistema. Generar un algoritmo en el cual la red neuronal controle al sistema teniendo en cuenta las reglas dinmicas del sistema. Obtener la informacin de aprendizaje de la red neuronal mediante los parmetros iniciales del sistema dinmico. Analizar los resultados obtenidos de las seales de control, velocidad y ngulo del sistema dinmico con el controlador directo implementado.

2.

Marco Terico:

Sistema de Control Basados en Redes Neuronales Artificiales.

Arquitecturas de Neurocontrol.

Hasta la fecha existe un creciente inters en los sistemas de control que incluyen redes neuronales artificiales como elementos de control, por lo que se han implementado un importante nmero de soluciones. Las aplicaciones exitosas ms relevantes incluyen desde elementos que operan como identificadores hasta aquellos que trabajan como controladores de optimizacin utilizando modelos del proceso. Existe una divisin fundamental entre los algoritmos basados en tcnicas de gradiente descendiente, donde estn disponibles una amplia variedad de tcnicas y los que no lo son. Aunque los algoritmos basados en el gradiente pueden ser significativamente ms eficientes, hay muchas aplicaciones donde son inaplicables. Por ejemplo, la evaluacin para el rendimiento de control deseado no siempre es diferenciable, por lo que los mnimos locales pueden provocar que los mtodos de gradiente sean inapropiados y no puedan modelar un proceso cuando no existen derivadas. Ser posible esbozar un entorno unificado para los neurocontroladores considerando de nueva cuenta el entrenamiento de una red neuronal como un problema de optimizacin no lineal. El roll que juega la red neuronal en la funcin objetivo se convierte en una pista para distinguir entre las distintas estructuras de los neurocontroladores.

A. Arquitecturas para el modelado de sistemas. B. Neurocontroladores Indirectos. Controlador neuronal basado en modelo completo. Controlador neuronal basado en modelo paramtrico parcial. Modelo inverso neuronal. Parametrizador de controladores basado en Redes Neuronales Artificiales.

C. Neurocontroladores Directos. Modelado del controlador. Neurocontrolador libre de modelo. Neurocontrolador basado en modelo. Neurocontrol robusto.

Son tres familias de arquitecturas para la aplicacin de las RNAs en sistemas de modelado y control. En primer lugar tenemos las arquitecturas de modelado de sistemas, donde se utiliza una red neuronal para imitar el comportamiento de un elemento fsico real. Con este objetivo se desarrollan cuatro propuestas. En el esquema de neurocontroladores indirectos, la red neuronal no enva seales de control directamente al proceso. En lugar de esto, la red indica algunas caractersticas dinmicas de relevancia en el proceso. Este indicador puede ser un modelo que se comporta de forma similar al proceso bien un parametrizador que ajusta a un controlador produciendo configuraciones apropiadas basadas en el comportamiento de dicho proceso. En el esquema de un neurocontrol directo, una red neuronal es empleada como un controlador de retroalimentacin que enva seales directamente al proceso. Dependiendo del concepto del diseo, los elementos del neurocontrolador directo se categorizan principalmente atendiendo su dependencia al modelo del sistema. Arquitecturas para el modelado de sistemas. Existen principalmente cuatro arquitecturas de RNA para el modelado de plantas [4,5,6] como son: Modelado bsico, modelado inverso de la planta, modelado inverso especializado y modelado del operador. Para el modelado especializado inverso, el error se forma de la salida de la planta y la salida de la red es la entrada a la planta. Modelado bsico o directo de la planta.

Figura 1. Estructura para el modelo bsico o directo de la planta Su arquitectura bsica es muy simple , tanto la seal de control como los estados de la planta son muestreados y conforman el vector de entrada a la red. La salida de la red se calcula y se compara con las mediciones de la salida de la planta. La diferencia entre esas dos cantidades es usada para ajustar el vector de ajuste de pesos tendiente a reducir el error de la red. Modelado directo inverso de la planta.

El objetivo con este modelado es formular un controlador tal, que junto con la arquitectura de la planta se conforme una sola funcin de transferencia. Inevitablemente los errores del modelado perturban dicha funcin, por lo que se recurre al uso de un precompensador en adicin del controlador lineal, lo cual generalmente provee buen rendimiento para una amplia gama de plantas no lineales. Para definir lo mejor posible el modelo inverso, los ejemplos de entrenamiento debern ser nicos. Esto se cumple cuando la planta es invertible, es decir, que los datos de entrenamiento de la planta no lineal son contenidos en una rea restringida del espacio de entradas.

Figura 2. Modelado directo inverso de la planta

Modelado especializado inverso de la planta.

Figura 3. Modelado especializado inverso de la planta Este tipo de modelado utiliza una estructura similar al modelado inverso, donde existe una funcin de transferencia nica, solo que el mtodo propuesto es diferente . Un modelo de la planta bsico es construido como primer paso, la diferencia entre la respuesta de la planta y la salida deseada es usada para generar la seal de error la cual es pasada hacia atras desde el modelo bsico con el objeto de ajustar los parmetros del nuevo modelo inverso. Modelado de Operador. Sintetizar un controlador por aprendizaje a partir de un experto tiene aplicaciones potenciales en el campo de la AI [9,10,11]. El algoritmo de aprendizaje esta ejecutndose en paralelo con una planta conducida por un operador experto y sus respuestas forman la salida deseada de la red.Estas seales de entrenamiento tpicamente contienen altas cantidades de ruido dado que el operador usa diferentes acciones para entradas similares, por lo que la seal deber filtrarse [18] antes de que los algoritmos convencionales de aprendizaje para la red sean aplicados.

Figura 4. Arquitectura para el modelado del operador

Neurocontroladores Indirectos. Control neuronal basado en modelo completo. La aplicacin ms popular de los sistemas de control basados en redes neuronales es utilizar una red como modelo de entrada y salida del proceso. Estos elementos utilizan aprendizajes manejados por lo datos supervisados como por ejemplo una red neuronal tratando de imitar un proceso existente a partir de la exposicin a datos de dicho proceso. La estructura de modelo ms comnmente adoptada para este propsito es la Autoregresiva No Lineal de Promedio del Movimiento con Entradas Exgenas conocida como NARMAX su denominacin ms simple NARX [13, 14]. Esta familia de modelos Narmax es una funcin de transferencia no lineal discreta en el tiempo [15]. Alternativamente, uno puede elegir identificar modelos continuos en el tiempo con una red neuronal como una red recurrente. Cada modelo se desarrolla y luego puede implementarse un control basado en modelo. Sin embargo, en la etapa de implementacin, el modelo de la red neuronal no puede ser usado solo. Este debe ser incorporado con un esquema de control basado en modelo. Dichos esquemas pueden ser el diseo de auto ajustadores basados en redes neuronales , modelado de controladores basados en) y el diseo de neurocontroladores basados en modelo. Control neuronal basado en modelo parcial paramtrico.

En algunos casos, cierto grado de conocimiento sobre el proceso pudiera estar disponible, como puede ser la estructura del modelo un fenmeno fsico particular bien entendido. En este caso, no es deseable un modelo de caja negra. Por ejemplo, si en la estructura del modelo estn disponibles valores para los parmetros asociados, estos pueden ser determinados por una red neuronal. Ejemplo de esos parmetros pueden ser las constantes de tiempo, ganancias, retardos y parmetros fsicos, rangos de difusin coeficiente de transicin del calor, etc. Psichogios y Ungar [23] emplearon este modelo como un alimentador para un biorecto. Control neuronal por modelo inverso. Una red neuronal puede ser entrenada para desarrollar un modelo inverso de la planta. La entrada a la red es la salida del proceso, y la salida de la red es la correspondiente entrada al proceso Aplicaciones exitosas del modelado inverso son discutidas en [19] y [20]. Obviamente, un modelo inverso existe solamente cuando el proceso se comporta monotnicamente como una funcin hacia adelante en el estado estable. Si no, este concepto es inaplicable. Tambin pueden encontrarse unos cuantos artculos sealando conceptos similares al modelo inverso usando una red neuronal inversa no esttica para el control [21,22,23,24].

Figura 5. Arquitectura de control neuronal por modelo inverso En principio, un modelo inverso basado en redes neuronales puede aprender la dinmica inversa bajo algunas restricciones ). En la prctica para modelos dinmicos de tipo discreto, el modelo inverso en especial puede no estar disponible para aprender la dinmica inversa deseada. Por ejemplo Psichogios y Ungar entrenaron un modelo inverso y luego desarrollaron algunos casos de estudio. El modelo inverso fallo con referencia a las expectactivas que se tenian. En algunos casos el proceso inverso es un factor no causal an cuando el proceso se comporta monotnicamente como se mencion antes. La no causalidad de un proceso inverso puede resultar del retardo de transporte de los tiempos muertos bien de la discretizacin de un proceso continuo en un sistema de datos muestreado. Parametrizador neuronal de controladores.

Como en el caso anterior donde una red puede ser usada para estimar los parmetros de un modelo conocido, es posible utilizar esas mismas estructuras neuronales para estimar parmetros de ajuste para un controlador cuya estructura sea conocida a priori Lo realmente atractivo de estas estructuras es que la red neuronal puede ser entrenada en simulacin. El entrenamiento con datos reales del proceso no es necesario. Para un autoajuste de lazo abierto, una simulacin de lazo abierto es suficiente; de lo contrario una simulacin de lazo cerrado es necesaria (ver figura 5.7). El entrenamiento deber ser conducido sobre un espacio de entradas que contenga distintos modelos del proceso. Idealmente, este espacio deber cubrir todos los procesos que sern encontrados durante la fase de operacin.

Figura 6. Parametrizador neuronal de lazo cerrado Neurocontroladores Directos. Modelado del controlador. De los cuatro esquemas de neurocontrol directo que se presentan, l ms simple de ellos consiste en usar una red neuronal para modelar un controlador existente (ver figura 5.8). La entrada al controlador existente es la entrada de entrenamiento de la red y la salida del controlador sirve como la salida deseada para dicha red neuronal. Este elemento es similar al modelado de la red neuronal discutido en la seccin Control Neuronal basado en modelo completo excepto por que en aquel caso los valores deseados a la salida de la red no eran los valores del controlador

Figura 7. Estructura para utilizar una red neuronal para modelar un controlador existente

3. Desarrollo:

Para el desarrollo e implementacin del controlador directo, debemos esquematizar lo que se desea realizar, como se presenta a continuacin:

RED NEURONAL

ANTENA

Figura 8. Esquema del sistema controlado En la cual se desea un efecto de se tpoint como el siguiente:

Figura 9. Control del setpoint Partiendo de estos parmetros iniciales el grfico del lazo de control del sistema antena queda de la siguiente manera:

Figura 10. Lazo de control para la planta antena Todos los estados individuales deben generar una seal de control u para producir los valores Ax1 y Ax2 deseados.

Para el entrenamiento se requiere de los patrones de entrenamiento, esta idea surge de la consideracin de que el controlador debe funcionar de forma inversa a la planta. Para la identificacin de los parmetros de entrenamiento de la planta se procese a realizar el siguiente esquema:

Figura 11. Sistema dinmico de la antena. De esta se obtiene los parmetros de entrenamiento en las matrices Pm y Tm que se describren a continuacin: [ ]

En donde las variaciones y son los valores que se desea para el control del sistema dinmico obtenidos de los parmetros de entrenamiento, Pm tiene los valores de angulo, velocidad y seal de control. El algoritmo para la obtencin de parmetros se detalla a continuacin:
clc clear timestep=50e-3 ang=[-20:22:200]*pi/180; vel=[-90:36:90]*pi/180; u=[-30:6:30]; angle2 = [-20:10:200]*pi/180; Pm = combvec(ang,vel,u) Tm=[]

for i=1:length (Pm) u=Pm(3,i); w0=Pm(2,i); teta0=Pm(1,i); [t,x]=sim('antena',[0 timestep]); tetaf=x(length(x)); wf=x(length(x),2); dteta=tetaf-teta0; dw=wf-w0; Tm=[Tm [dteta ;dw]] End p=Tm(:,1:4) q=Pm(:,1:4) save identificacion Pm Tm

En lo cual nos indica los valores de TM y PM (los 4 primeros trminos) de esta forma brindamos un soporte de los nmeros al comprar estos con un conjunto de patrones vlidos:

Luego de la obtencin de los parmetros de entrenamiento, procedemos al entrenamiento de la misma mediante los comandos de generacin de redes neuronales facilitadas del software matlab como se describe en las siguientes lneas de comando:
clc mnet = newff(minmax(Pm),[8 1],{'tansig' 'purelin'},'trainlm' mnet.trainParam.show = 10 mnet.trainParam.goal = (0.0037^2);

mnet=train(mnet,Pm,Tm)

Luego del procedimiento de entrenamiento de la red neuronal la cual esta diseada para el control directo, procedemos a realizar el diagrama de esta neurona entrenada para que sea exportada a diagrama de bloques (simulink) a travs de la sentencia : ensim(mnet,exp(-50))

Figura 12. Diagrama de la red neuronal Una vez obtenida la red neuronal a partir de los parmetros de entrenamiento, exportamos esta nueva red a nuestro sistema dinmico y procedemos a realizar las conexiones y sumas necesarias para lograr el esquema descrito anteriormente (Figura 10) y realizar el controlador directo utilizando una red neuronal inversa para su propsito, el esquema a continuacin describe el diagrama de bloques finalizado.

Figura 13. Diagrama del esquema de control de la planta antena mediante una red neuronal

Acabado este paso pasamos a la simulacin del sistema y comparacin con los parmetros deseados del set point. 4. Anlisis de Resultados De los parmetros que podemos apreciar en la imagen del osciloscopio ubicado en la figura 13 se obtiene la siguiente imagen:

Figura 13. Grficas de las seales que interfieren en el sistema de la figura 13 La lnea nmero 2 es la correspondiente a la seal de control proveniente de la red neuronal; la seal nmero 1 es la que corresponde a la velocidad de giro de la antena, y la lnea 3 corresponde a la seal de la posicin de la antena que es la seal a controlar y que como apreciamos parte desde un valor inicial de -50 y despus de un pequeo sobre impulso se posiciona aproximadamente en 30, que es el valor de set point final que establecimos, por lo cual se puede concluir que el sistema de control basado en red neuronal aplicado para este modelo controla de manera adecuada la posicin del sistema antena.

5. Conclusiones y Recomendaciones: Un sistema de control directo basado en red neuronal inversa aplicado para este modelo controla de manera adecuada la posicin del sistema antena. Una red neuronal adecuadamente entrenada es capaz de convertirse en una herramienta til para el control de sistemas. Para entrenar adecuadamente una red neuronal se deben ordenar los parmetros que intervienen en dicho proceso para que el procedimiento se lleve a cabo con xito. Entender el orden de los parmetros de la red neuronal es elemental para su posterior disposicin en el diagrama de bloques de un sistema. Es posible controlar sistemas dinmicos mediante el uso de sistemas de control directos basados en redes neuronales inversas.

6. Bibliografa: - http://www.plg.inf.uc3m.es/~aa/transpas05-06/redes-neuronas.pdf - www.plg.inf.uc3m.es/~aa/transpas05-06/redes-neuronas.pdf - http://proton.ucting.udg.mx/materias/moderno/u56.htm