Académique Documents
Professionnel Documents
Culture Documents
75-81
Resumen: Este trabajo presenta una metodologa desarrollada por los autores que
permite afrontar el modelado borroso en forma de ecuaciones de estado de un
sistema de control multivariable no lineal. La formalizacin matemtica del sistema
de control borroso se aborda de forma totalmente general, sin restricciones ni en el
vector de estado de la planta ni en el de control. Respecto de las tcnicas de
identificacin de los parmetros del modelo de la planta, se estudia la ya clsica
neuroborrosa basada en gradiente descendente y una ms novedosa, denominada por
los autores como hbrida, basada en la hibridacin de la tcnica anterior con la
heurstica inspirada en las colonias de hormigas. Copyright 2006 CEA-IFAC.
Palabras Clave: Identificacin, Colonia de hormigas, Modelado, Neuroborroso.
INTRODUCCIN
76
l
i
(5)
l
+b1li u1 + b2l i u2 + ... + bmi
um
multidimensional
(1)
x&i =
( x1 , x2 ,K , xn );
u2 =
( x1 , x2 ,K , xn );
( x1 , x2 , K , xn )
um =
siendo
(3)
x = ( x1 , x2 ,K , xn )T
el
(7)
wil
wil =
x& = f ( x, u )
l =1
l =1
(2)
(6)
u1 =
(4)
k =1
Fl ( xk , -li )
k
m
j =1
Fl ( u j , -li ) ,
(8)
{( x , ( x , - )) : x
(u , - )) : u U } .
ordenados
{(u ,
j
l
Fj
l
i
l
Fk
l
i
77
x&i =
M
l =1
l =1
wil a0l i + L +
l
i
w +
M
l =1
wil anil xn +
w b u +L+
l l
i 1i 1
l =1
M
l =1
(9)
l
wil bmi
um
N
n
k =1
akit xk +
m
j =1
(10)
l
i
wa
a =
t
0i
l =1
M
a =
,
l
i
l =1
b =
t
ji
l =1
M
l =1
M
wil blji
l =1
l
ki
(11)
1
x
j = 1,..., m
(12)
k =0
j =1
btji u j
(15)
k =1
ckjt xk
(17)
r =1
N
; k = 1,..., n
(18)
r
j
n
k =1
Fr ( xk , . rj ).
(19)
(13)
(14)
r r
j kj
r =1
r
j
ckjt =
r
j
akit x%k +
r =1
r =1
N
l
i
= ( x0 , x1 ,K, xn )T ; x0 = 1
x&i =
c0t j =
l
i
r r
j 0j
; k = 1,..., n
(16)
l =1
M
c xn
o de forma ms simplificada:
l
i
wa
t
ki
r r
j nj
l
0i
r =1
btji u j
c + ... +
r r
j 0j
r =1
r
j
r =1
uj =
(20)
m
j =1
btji c0t j +
n
k =1
akit +
m
j =1
btji ckjt xk
(21)
i, k = 1,..., n y j = 1,..., m
Aplicando la extensin del vector de estados a (21),
se obtiene la siguiente expresin ms compacta:
x&i =
n
k =0
akit +
m
j =1
(22)
IDENTIFICACIN DE LA PLANTA
78
J (k ) =
1
2
( y (k ) y (k ) )
2
(23)
(k + 1) = (k )
(24)
= (k )
(k +1)= il (k )
Fl ( xi (k ), il (k ))
2 e( k )
i =1
n
M
l =1
i =1
Fl ( xi (k ),
i
l
i
(x (k ) (k ))
(k )) ( (k ))
l
i
(25)
l
i
( k +1) =
l
i
n
2 e( k )
(k )
Fl ( xi (k ), il (k ))
l =1
(xi (k )
i =1
M
n
i =1
Fl ( xi (k ), il ( k ))
i
l
i
l
i
( k ))
(26)
( k ))
y (k )
(27)
la seal de error, y
l
Fi
( x (k ),
i
l
i
( x ( k ) (k ) )
( (k ) )
(k ) ) = exp
l
i
l
i
(28)
e(k ) M
l =1
Fl ( xi (k ), il (k ))
i=1
n
i=1
Fl ( xi (k ), il (k ))
i
(29)
e(k )
i =1
M
l =1
Fl ( xi (k ), il (k )) xi (k )
i
n
i=1
Fl ( xi (k ), il (k ))
(30)
(31)
Algoritmo 1
La adaptacin del factor de aprendizaje se realiza en
las funciones Inc( , r) y Dec( , r) de acuerdo
con la expresin (31). La funcin Fx implementa el
consecuente TSK con trmino afn u otro.
En Andjar y Bravo (2005a) se muestra un caso
prctico de modelado (una planta de tratamiento de
aguas residuales de una fbrica de celulosas) usando
la tcnica descrita.
79
80
Algoritmo 2
En Andjar, et al. (2004b) se muestran varios casos
prcticos que demuestran que los resultados
obtenidos mediante esta metodologa mejoran los
resultantes con el mtodo tradicional del gradiente
descendente.
4
CONCLUSIONES
81