Maestra en Ciencias de la Ingeniera Elctrica

Especialidad: Mecatrnica y Control Materia: Control Inteligente Catedrtico: Dr. Miguel ngel Llama Leal

Control Neuronal NARMA-L2 aplicado a una planta no lineal Alumno: Ing. Eduardo Cruz Quintero Nmero de control: M07130063

Torren, Coahuila a 18 de diciembre de 2012

i) INTRODUCCIN En el documento presente, se analizar el controlador neuronal NARMA-L2 aplicado a una planta no lineal, la cual se trata de la posicin de un anillo sobre un aro rotatorio. Este control est basado en el entrenamiento de una red neuronal que identifique el comportamiento de la planta mediante una entrada definida como una serie de pulsos de entrada obteniendo una salida de dicha planta. Posteriormente, se entrena el controlador de la planta usando la red neuronal de la planta. Esto con la finalidad de crear el control de lazo cerrado de la planta (red neuronal) con el controlador NARMA-L2. Al final se pretende que el controlador neuronal ajuste a un valor deseado la variable a controlar en la planta no lineal. ii) DESARROLLO La planta que se escogi para aplicarle el control neuronal es la posicin de un anillo sobre un aro rotatorio. Considrese el caso de un anillo que se desliza sin roce sobre un aro que se puede hacer girar a velocidad angular w, regulable a voluntad. Se desea mantener el valor del ngulo en un valor constante deseado. La variable de control en este caso est constituida por el cuadrado de la velocidad angular:

El radio del aro, que se supone indeformable por efecto de la fuerza centrfuga, est dado por . El modelo del sistema est dado por:

El modelo anterior lo podemos reescribir de la manera siguiente:

La figura de la planta es la siguiente:

Figura1.- Anillo sobre un aro giratorio. Tomamos a como 1 metro. Primero, implementaremos un control PID para conocer el valor de las entradas, el valor de la variable del anillo. El modelo es el siguiente: y la salida de la posicin

Figura 2.- Control PID del anillo sobre un aro giratorio.

La entrada deseada oscila entre los 0.5 y 1.5 radianes, lo equivalente a menos de 90 y ms de 0. Las grficas de entrada deseada, entrada de control y salida de la planta son las siguientes:

Figura 3.- Graficas de resultados del control PID. En base a estas grficas, podemos establecer que la entrada que necesita la planta en nuestro controlador neuronal va desde 0 hasta 80 de , recordando que la entrada a nuestra planta es la velocidad angular al cuadrado. La salida de la planta, por lo tanto deber oscilar de la misma forma que la entrada deseada. El diagrama del controlador neuronal es el mostrado en la figura 4. Dando doble click en el controlador neuronal, aparece la ventana mostrada en la figura 5, donde aparecen las caractersticas a especificar para identificar la planta. La planta que tenemos en el controlador PID se coloca en un solo archivo al cual tomaremos como referencia para entrenar el controlador.

Figura 4.- Diagrama a bloques del controlador neuronal NARMA-L2.

Figura 5.- Especificaciones para el entrenamiento del modelo de referencia de la planta.

Los datos que aparecen en la parte superior de la figura 5 hacen referencia al nmero de capaz escondidas que deseamos tenga nuestro controlador, los retardos de entrada y salida para la red neuronal y la frecuencia de muestreo del sistema a controlar. En la parte media de la figura 5, vienen los datos con los que vamos a entrenar a nuestra planta de referencia, recordando que como entrada tendremos las velocidades obtenidas para el control PID, as como la salida de la planta. Tenemos tambin la cantidad de datos que obtendremos para el entrenamiento y le indicaremos cual archivo es nuestra planta de referencia. Una vez que tenemos esos datos, damos clic en "Generate Training Data" y aparece la ventana mostrada en la figura 6:.

Figura 6.- Datos de entrenamiento de planta de referencia.

En la figura 6 se muestran los datos que se obtienen a la salida de la planta al aplicar la entrada especificada en la tabla de la figura 5 de nuestra planta de referencia. Cabe mencionar que en la figura 6 no son todos los datos, debido a que como especificamos 5000 datos al final la grafica obtenida no tendra mucha visualizacin. Una vez que termina de ejecutar el entrenamiento para 5 mil datos, daremos clic en "Accept Data", lo cual significa que hemos obtenido el comportamiento de la planta de referencia. Ahora, regresando a la figura 5, en la parte inferior aparece el nmero de pocas con las cuales queremos entrenar al controlador. Damos clic en "Train Network" y se generan 3 grficas similares, siendo la mejor la siguiente:

Figura 7.- Graficas de resultados del entrenamiento de la red neuronal. Aceptamos los datos y regresamos a la figura 4.

Ahora, damos clic en "Play" para simular todo lo entrenado, obteniendo la siguiente grfica:

Figura 8.- Resultados del entrenamiento. iii) CONCLUSIONES Los resultados no fueron los esperados. Se entreno de diferentes maneras la planta y el controlador y no se llego a algo coherente. Tal vez por la premura de tiempo quizs por no entender bien el funcionamiento no se logro controlar la planta. Espero poder hacer funcionar mi sistema con este controlador. Se seguir manipulando.