Universidad de Costa Rica Facultad de Ingeniera Escuela de Ingeniera Elctrica

PROPUESTA DE TEMA TRABAJO FINAL DE GRADUACIN LICENCIATURA

Redes neuronal para control de motores de corriente continua

Por: Ricardo Herrera Moreno

Ciudad Universitaria Rodrigo Facio Junio de 2011

FICHA RESUMEN DEL TEMA PROPUESTO

TITULO: Redes neuronales para control de motores de corriente continua ESTUDIANTE: Ricardo Herrera Moreno
o o o

Carn: A02059 Telfono: 22-59-96-83 Correo electrnico: rirahemo@gmail.com

COMIT ASESOR PROPUESTO

o o o

DIRECTOR: Ing. Aramis Perez Mora, Msc. ASESOR: (nombre y calidades) ASESOR: (nombre y calidades)

MODALIDAD: Tesis CONTRIBUCIN PERSONAL Disear una red neuronal para el control de velocidad de un motor de corriente continua. Para ello se utiliza la respuesta de la velocidad del motor de corriente de continua, cuando se controla por medio del control convencional. La red diseada presenta una respuesta del control de velocidad, la cual se compara con la respuesta utilizada para su diseo, por medio de los criterios de desempeo de la teora de control convencional. El propsito de la investigacin es alcanzar un desempeo igual a superior al obtenido con un controlador convencional por medio de una red neuronal.

ii

La presente propuesta se ha elaborado de conformidad con lo establecido en el Reglamento Rica de Trabajos Finales de Graduacin de la Universidad de Costa

Ricardo Herrera Moreno Estudiante proponente Fecha: 07/07/2011

Avalo el contenido de la presenta propuesta de tema para trabajo final de graduacin

VB ____________________ Director del Comit Asesor

iii

NDICE GENERAL
NOMENCLATURA.........................................................................................vi 1. Introduccin...................................................................................................1
1.1 Alcances............................................................................................................................1 1.2 Objetivos...........................................................................................................................2 1.2.1Objetivo general......................................................................................................2 1.2.2Objetivos especficos..............................................................................................2 1.3 Justificacin......................................................................................................................3 1.4 Planteamiento del problema..............................................................................................4 1.5 Metodologa......................................................................................................................4 1.6 Procedimiento de evaluacin............................................................................................5

2. Marco terico.................................................................................................6
2.1 Controladores convencionales clsicos.............................................................................6 2.1.1Controlador tipo P (proporcional)...........................................................................7 2.1.2 Controlador tipo PI (Proporcional-Integral)...........................................................7 2.1.3 Controlador tipo PID (Proporcional-Integral-Derivativo).....................................8 2.2 Modelos clsicos de procesos...........................................................................................8 2.2.1Modelo del motor de corriente continua...............................................................10 2.2.2 Identificacin del proceso motor de corriente continua.......................................13 2.2.3 Controladores para motor de corriente continua..................................................16 2.3 Redes neuronales............................................................................................................17 2.3.1Modelo biolgico de neurona................................................................................18 2.3.2 Entradas y salidas de una neurona de red neuronal..............................................19 2.3.3 Aprendizaje de la red neuron...............................................................................20

Bibliografa......................................................................................................23 Cronograma de actividades..............................................................................24

NDICE FIGURAS
Figura 1: Diagrama de bloques controlador y proceso...........................................................6 Figura 2: Circuito elctrico del motor de corriente continua................................................10 Figura 3: Modelo biolgico de neurona................................................................................18 Figura 4: Entradas y salidas de neurona...............................................................................19 Figura 5: Niveles en una red neuronal..................................................................................21

iv

NDICE TABLAS
Tabla 1: Parmetros de modelos finales primer punto de operacin....................................14 Tabla 2: Parmetros de modelos finales segundo punto de operacin.................................14 Tabla 3: Parmetros de modelos finales primer punto de operacin....................................15 Tabla 4: Parmetros de controladores PI..............................................................................16

NOMENCLATURA
b e Factor de aprendizaje Coeficiente de friccin de carga en rotor de motor Seal de error

ea Voltaje de entrada en rotor de motor eb Voltaje de salida en rotor de motor Factor de amortiguamiento Flujo magntico

n Frecuencia natural Gc Funcin de transferencia del controlador Gd Funcin de transferencia del proceso para perturbacin Gp Funcin de transferencia del proceso para valor deseado Ia J Corriente elctrica en rotor de motor Coeficiente de carga en rotor de motor

kb Coeficiente de voltaje de salida en rotor de motor kc Ganancia del controlador

kp Ganancia del proceso kd Ganancia del proceso kT Coeficiente de torque en rotor de motor La Inductancia en rotor de motor nej Entradas en la neurona j vi

Salida del controlador

Ra Resistencia elctrica en rotor de motor T Torque o momento de rotor en motor

Td Tiempo derivativo Ti Tiempo integral

i Valor entrada arbitraria en neurona i y yi Variable controlada Salida en la neurona i Velocidad de salida de rotor de motor

wij Valor de conexin entre neuronas i y j z Perturbacin

vi

1. Introduccin
1.1 Alcances
Las redes neuronales buscan mantener una curva de salida deseada, cuando en su entrada tienen la curva caracterstica del proceso. Es por esto que son muy utilizadas en sistemas no lineales o para optimizar procesos. Por lo tanto la curva de salida deseada se puede seleccionar segn el criterio del diseador, pero esto significa no utilizar una curva de reaccin del proceso a partir de un cambio en el valor deseado para algn punto de operacin del proceso. Lo que tambin significa no hacer uso del diseo del controlador por medio de la teora de control convencional y esto puede representar un riesgo en la salida del proceso. Por suerte es posible disear una red neuronal a partir de las curvas y modelos del proceso, informacin obtenida por medio de la teora de control convencional y as intentar optimizar el control efectuado sobre el proceso o por lo menos un resultado equivalente.

1.2 Objetivos
1.2.1 Objetivo general Obtener un controlador de la velocidad del motor de corriente continua utilizando una red neuronal. 1.2.2 Objetivos especficos Obtener la respuesta del motor de corriente continua para un valor deseado y cuando se produce una perturbacin al utilizar un control convencional para su velocidad, esto por medio de un programa de simulacin a partir de los modelos presentados en la teora. Disear una red neuronal para el control de la velocidad del motor de corriente continua, con la simulacin el motor de corriente continua y las respuestas a un valor deseado y para una perturbacin. Desarrollar un algoritmo de aprendizaje para que la red neuronal acte como un controlador de la velocidad del motor de corriente continua. Controlar la velocidad del motor de corriente continua con la red neuronal diseada, en un programa de simulacin.

1.3 Justificacin
El control convencional utiliza las curvas de respuesta esttica y dinmica para encontrar el punto de operacin del proceso, esto permite obtener un modelo. El cual posteriormente se utiliza para calcular los valores de un controlador que permite al proceso regular su valor actual o seguir un cambio en la entrada a hasta alcanzar el nuevo valor deseado. Los problemas aparecen cuando el proceso cambia ya que el punto de operacin es distinto y el controlador utilizado no presenta los mismos resultados. Las redes neuronales tienen tres caractersticas fundamentales que son la adaptabilidad, aprendizaje y auto organizacin. Estas tres caractersticas les permite cambiar sus valores actuales para mantener el control establecido desde un momento inicial sin importar los cambios en el proceso. El caso de los motores es posible que con el tiempo sufran desgaste especialmente en sus devanados, esta desgaste ya no les permite entregar su potencia de fabrica, pero cumplir con las necesidades requeridas sin embargo se necesitan para evitar que este desgaste afecte el valor todava pueden

nuevos ajustes al controlador inicial deseado del motor.

En cambio si se utiliza una red neuronal para controlar el motor, se establece el rango de valores de potencia requerida por el motor al inicio y luego la red neuronal debe aprender sobre los nuevos cambios en la salida del motor y valores de memoria para cumplir con el rango de ser capaz de

adaptarse auto organizando sus

valores establecido como salida del motor. Es necesario recordar la funcionalidad que persiguen los controladores

convencionales clsicos

para estar pendiente del controlador que se quiere

obtener por medio de las redes neuronales.

1.4 Planteamiento del problema

Obtener los mismos resultados de un controlador convencional para el control de la velocidad de un motor de corriente continua pero utilizando una red neuronal. Es posible pero es necesario determinar la respuesta del proceso a controlar para entrenar a la red neuronal de forma que produzca la respuesta deseada. Con la respuesta del proceso controlado se puede realizar una comparacin en base a los criterios clsicos de control, si los resultados no son los deseados se debe ejecutar otro entrenamiento de la red neuronal.

1.5 Metodologa
Estudiar programas para simular redes neuronales, especialmente Scilab y/o Matlab, para escoger la herramienta mas prctica. Simular la respuesta de velocidad de un motor de corriente continua. Lo cual es el valor final que tiene que alcanzar la red neuronal. Entrenar la red neuronal con la regla de aprendizaje desarrollada, por medio de la respuesta a alcanzar y el valor deseado se ajustan los valores de red neuronal. Simular el proceso controlado con redes neuronales. Esto es obtener el control de la velocidad del motor para un valor deseado y cuando se produce una perturbacin. Comparar resultados con el control convencional utilizando criterios de desempeo de la teora de control convencional en la respuesta del proceso controlado con redes obtiene un resultado satisfactorio volver a entrenar la red control de velocidad del motor. neuronales. Sino se

neuronal y realizar otro simulacin del

1.6 Procedimiento de evaluacin

Utilizando las funciones de transferencia del proceso de motor de corriente continua y el controlador convencional, se obtienen las respuestas para el control de velocidad del motor de corriente continua. Luego se hace uso de esta respuesta de control de velocidad como el objetivo a alcanzar por medio del entrenamiento de la red neuronal. Se finaliza obteniendo la respuesta del proceso de motor de corriente continua, controlando su velocidad por medio de la red neuronal. El procedimiento anterior permite comprobar el xito de los objetivos propuestos por medio del diseo de una red neuronal que controle la velocidad de un motor de corriente continua en una simulacin. control convencional. Por ltimo se analizan las circunstancias que permiten controlar la velocidad del motor de corriente continua por medio de una red neuronal, para establecer la forma de diseo de la red neuronal para solucionar el problema planteado. Adems se compara el desempeo de la del respuesta de control para un valor deseado y una perturbacin, con los criterios

2. Marco terico 2.1 Controladores convencionales clsicos

Un controlador automtico compara el valor real de la salida del proceso con la entrada de referencia o valor deseado, determina la diferencia y produce una seal de control que reduce la diferencia a cero o un valor pequeo

Figura 1: Diagrama de bloques controlador y proceso. [1]

La figura 1 presenta el diagrama de bloques del controlador y proceso, se utiliza un valor de referencia para determinar el valor del error y luego se amplifica de una o varias maneras, esta seal de error se convierte a la seal utilizada por el proceso por medio de un actuador, finalmente se convierte el valor de salida del proceso a una seal elctrica por medio de un sensor y se reinicia el ciclo de control.

2.1.1 Controlador tipo P (proporcional)

Un controlador proporcional permite aumentar o disminuir el error entre el valor de

la salida del proceso y el valor deseado por un valor de ganancia Kc. La salida del controlador proporcional est dada por la ecuacin 1.
u ( t ) =AccinK c [ e ( t )]

(1)

La ecuacin 1 presenta una accin para la salida del controlador la cual si es positiva significa un valor proporcional a la entrada del proceso, pero una accin negativa inversamente proporcional a la entrada del proceso. La significa un valor

funcin de transferencia del controlador corresponde a la ecuacin 2. (2)

U ( s )=K c E ( s )

2.1.2 Controlador tipo PI (Proporcional-Integral)

El controlador tipo PI tiene un valor de salida que aplica una ganancia Kc al error mas un producto proporcional del error por un intervalo de tiempo integral definido por cual puede ser de segundos o minutos. La salida del controlador un tiempo Ti el

proporcional-integral est dada por la ecuacin 3.

u (t )=AccinK c e (t )+

1 e ( )d Ti 0

]
(4)

(3)

Y la funcin de transferencia del controlador corresponde a la ecuacin 4.

U ( s )=K c 1+

1 E ( s) Tis

2.1.3 Controlador tipo PID (Proporcional-Integral-Derivativo)

El controlador de tres modos PID, utiliza para su labor de control la variacin en sus parmetros que son la ganancia Kc, el tiempo integral Ti y mas la razn proporcional del error durante el tiempo derivativo Td. La salida del controlador proporcional-integral-derivativo ideal est dada por la ecuacin 5.
u (t )=AccinK c e (t )+

de( t ) 1 e ( )d +T d dt Ti 0

]
(6)

(5)

Y la funcin de transferencia del controlador es la que se muestra en la ecuacin 6.

U ( s )=K c 1+

1 +T d s E ( s ) Tis

Sin importar la tecnologa que se desea utilizar para realizar un control sobre un proceso. Ya sea por medio de controladores convencionales o redes neuronales, se requiere un modelo del proceso el cual representa la posible entrada del sistema curvas de entrada que puede tener el sistema de control con redes neuronales. de control. Se busca exponer los modelos clsicos para as reconocer las posibles

2.2 Modelos clsicos de procesos

El modelo de un proceso se puede obtener a partir de su curva de reaccin ante una entrada tipo escaln, debido a que la relacin entrada salida es la funcin de transferencia del proceso, una entrada escaln presenta en la salida la funcin de transferencia del proceso como muestran las siguientes ecuaciones.
Y (s) = G ( s) U ( s)

(7)

Si U ( s ) = 1 Y ( s) = G ( s)

(8)

La funcin de transferencia del proceso de primer orden. En el dominio de la frecuencia compleja se representa con una ganancia Kp y una constante de tiempo T, como muestra la ecuacin 9.
kp Y ( s) = Ts + 1 U ( s)

(9)

La funcin de transferencia del proceso de primer orden mas un tiempo muerto, en el dominio de la frecuencia compleja se representa con una ganancia Kp , una constante de tiempo T y un tiempo muerto L, como muestra la ecuacin 10.
k p e L Y ( s) = Ts + 1 U ( s)

(10)

La funcin de transferencia del proceso de segundo orden mas un tiempo muerto. En el dominio de la frecuencia compleja se representa con una ganancia una constante la razn de muestra la ecuacin 11.
k p 2 Y ( s) n = 2 U ( s) s + 2 n s + 2 n

Kp , la

frecuencia natural del modelo n la cual se relaciona con la respuesta transitoria y amortiguamiento de la respuesta transitoria, como

(11)

La aplicacin que busca realizar esta investigacin trata sobre el control de velocidad de un motor de corriente continua, por lo que se realiz una investigacin previa para obtener el modelo de un motor de este tipo el cual sea utilizado para el diseo y aprendizaje de una red neuronal. La informacin obtenida acerca del modelo de un motor de corriente continua se presenta a continuacin.

2.2.1 Modelo del motor de corriente continua

Figura 2: Circuito elctrico del motor de corriente continua. [2]

El circuito de la figura 3 permite obtener una ecuacin que relaciona el voltaje de entrada con el voltaje de salida por medio del uso de la ley de Kirchoff para tensin, relacin establecida en la ecuacin 12.
e a = La dI a + Ra I a + eb dt

(12)

Adems recordando que el modelo de un motor siempre incluye la relacin del torque con su carga y la friccin de la carga como en la ecuacin 13.
T =J d 2 d +b dt dt 2

(13)

El motor de corriente continua tiene un rotor y un estator. El rotor esta formado por un dispositivo llamado colector y un ncleo. Y el estator tiene un imn permanente y unos trozos de carbn llamados escobillas. El ncleo contiene los devanados que forman las bobinas, el colector se une elctricamente a las bobinas. Estas bobinas generan un campo magntico con sus polos magnticos al introducir en el colector un voltaje de corriente continua.

10

El campo magntico del rotor es canalizado por las ranuras del ncleo en el cual se encuentran las bobinas, para interactuar con el campo magntico proveniente del estator, debido a que el estator es un imn permanente, los polos de su campo magntico siempre estn fijos en los extremos del estator, por lo que los polos del campo magntico de las bobinas en el rotor se repelen. bobinas, entonces el rotor gira. Los motores de corriente continua tienen varias bobinas para mantener el giro, esto se logra porque las escobillas del estator presionan unos conductores llamados delgas que estn sobre el colector para llevar la corriente a la siguiente bobina y removindola de la bobina actual. Entre mayor sea la corriente de entrada suministrada por el voltaje de entrada en el colector del rotor, mayor sera la repulsin entre rotor y estator, por lo tanto mayor ser la fuerza que logra el torque del rotor. La ecuacin 14 muestra la relacin entre el torque y la corriente, mientras la ecuacin 15 expresa la relacin entre el voltaje de entrada y cambio en el flujo magntico.
T = kT I a

Creando una fuerza

perpendicular al plano formado por los campos magnticos del imn permanente y las

(14) (15)

eb = kb

d dt

Aplicando la transformada de Laplace a las ecuaciones anteriores y reduciendo hasta encontrar la funcin de transferencia entre el voltaje de entrada y la velocidad angular.
kT ( s ) = 2 Ea ( s) L a Js + ( L a b + R a J ) s + R a b + k T k b

(16)

11

La anterior funcin de transferencia tiene una forma de un sistema de segundo orden como la que se muestra en la ecuacin 17, en la cual los valores de su ganancia, frecuencia natural y factor de amortiguamiento se expresan en las ecuaciones 18,19, y 20 respectivamente.
2 k ( s ) n = 2 Ea ( s) s + 2 n s + 2 n
k= kT Ra b + k T k b

(17) (18) (19)

n =

Ra b + k T k b La J

La b + Ra J 2La J

Ra b + k T k b La J

(20)

Una vez explicado el funcionamiento del motor de corriente continua y la deduccin de su modelo general a partir del conocimiento de su funcionamiento. un controlador convencional a un sistema de control para el motor. Adems, es tambin posible el uso de este modelo especfico de motor para disear una red neuronal, que se someta a un entrenamiento con este modelo de un motor real. Es til identificar un modelo que provenga un motor real, ya que as es posible sintonizar

12

2.2.2 Identificacin del proceso motor de corriente continua

El objetivo es encontrar la funcin de transferencia del motor ante un cambio en su entrada. Y la funcin de transferencia del motor cuando se presenta un cambio en su carga. El modelo de la funcin de transferencia del motor y la funcin de transferencia de su perturbacin son un modelo de primer orden mas tiempo muerto y un modelo de primer orden, respectivamente. Estos modelo se muestran en las ecuaciones 21 y 22, as como tambin la relacin de la ganancia con respecto a salida y entrada del proceso en la ecuacin 23.
G p ( s) = e kp Ts + 1
kd Ts + 1
y u
t m

la

(21)

Gd(s) =

(22) (23)

k p = kd =

Para obtener los valores de los modelos anteriores se hicieron cambios de 0.5 V positivos y negativos cuando la entrada del motor fue de 2.75 V y 4.0 V. Tambin para cada valor en la entrada se prob el motor con un simulacin de condiciones de carga, las cuales consistieron en impedancias en el generador unido a este motor y lo cual significan cargas elctricas para el generador y cargas mecnicas para el motor.. Estas se denominaron como primera condicin de carga PCC sin impedancia externa, segunda condicin de carga SCC con una impedancia externa de 1500 y finalmente una tercera condicin de carga TCC con una impedancia externa de 700 .

13

Punto de operacin kp 2.75 V PCC SCC 0.175 0.200

Parmetros T 2.0 2.5 tm 0.14 0.14

TCC 0.180 2.5 0.14 Tabla 1: Parmetros de modelos finales primer punto de operacin. [2] La tabla 1, presenta los parmetros de los modelos finales para el primer punto de operacin o entrada del motor, en cada simulacin de carga por medio de impedancias.

Punto de operacin kp 4.0 V PCC SCC 0.18 0.16

Parmetros T 2.250 1.770 tm 0.14 0.14

TCC 0.15 1.775 0.14 Tabla 2: Parmetros de modelos finales segundo punto de operacin. [2] La tabla 2, presenta los parmetros de los modelos finales para el segundo punto de operacin o entrada del motor, en cada simulacin de carga por medio de impedancias. Luego se provocaron las perturbaciones necesarias conectando en las terminales del generador impedancias que se aumentaron y disminuyeron 250 , el valor inicial fue de 1750 .

14

Punto de operacin kp 2,75 V Aumento 0,035

Parmetros T 2,0

Disminucin 0,060 2,0 Tabla 3: Parmetros de modelos finales primer punto de operacin. [2] La tabla 3, presenta los parmetros de los modelos finales cuando se presenta una perturbacin para el primer punto de operacin o entrada del motor, en cada simulacin de carga por medio de impedancias. Para el segundo punto de operacin se obtuvo la siguiente funcin de transferencia para un cambio en la perturbacin.
Gd(s ) = 0,037 1,75 s + 1

(24)

Con los modelos del motor de corriente continua obtenidos tanto para una respuesta en el valor deseado como la respuesta para una perturbacin. Se logra el primer paso para el aprendizaje de una red neuronal, el cual es establecer una entrada. A continuacin se busca el siguiente paso el cual consiste en un valor deseado para la salida de la red neuronal. Para esto se hace uso de los controladores convencionales que permitieron con xito controlar la velocidad del motor, ya que con estos y los modelos del motor se pueden simular las respuestas del control de velocidad del motor; estas respuestas son el valor deseado que necesita la red neuronal completar su entrenamiento. para

15

2.2.3 Controladores para motor de corriente continua

Con ayuda de la curva de reaccin del motor ante una cambio escaln en su entrada se determin que existen dos puntos de operacin para el motor, los cuales presentan una pequea diferencia en las revoluciones por minuto, para los diferentes valores de voltaje en la entrada del motor presentados en las tablas 1 y 2. Realizando simulaciones para ambos puntos tabla 4. de operacin se obtienen los valores la de los controladores funcionando como seguidores y reguladores como muestra

Funcionamiento Seguidor Regulador

Punto operacin Primero Segundo

Ganancia 27.78 23.67

Tiempo integral (s) 2.25 1.76 1.75

Ambos 20.00 Tabla 4: Parmetros de controladores PI. [2]

Se realizaron las comprobaciones de control utilizando un controlador con ganancia de 20 y tiempo integral de 2.25 para el primer punto de operacin, el resultado una respuesta sin sobrepaso y sin error permanente. fue Se procedi a utilizar los

mismos valores de controlador en el segundo punto de operacin, se obtuvo una respuesta sin sobrepaso, sin error permanente pero con una duracin mayor para alcanzar el valor deseado, lo que significa un mayor tiempo de asentamiento. Como los resultados obtenidos con este controlador fueron exitosos se procedi a utilizarlo en la prueba para control regulador, los resultados fueron respuestas oscilaciones y con errores mximos mnimos. La ecuacin 25 muestra la funcin de transferencia del controlador utilizado para funcionar como seguidor y regulador.
G c = 20 1 +

sin

1 2 . 25s

(25)

16

Como explic esta seccin se obtuvo un nico controlador para simular las respuestas del motor de corriente continua y as obtener las curvas de respuestas para lograr el aprendizaje de la red neuronal. Ahora se introducen los conceptos bsicos de las redes neuronales y se busca alcanzar el entendimiento de sus caractersticas fundamentales, que le permiten actuar como un controlador.

2.3 Redes neuronales

Las redes neuronales estn inspiradas en modelos biolgicos, y son un gran nmero de elementos que realizan una accin segn sus entradas y el estado en que se encuentren por lo que son organizadas en niveles. En comparacin con las redes neuronales biolgicas, las neuronas son los elementos de proceso, las interconexiones entre neuronas se realizan por medio de axones, el conjunto de conexiones se le llama sinapsis. Por lo que la organizacin en niveles se presenta con las entradas a los elementos procesales que producen salidas y las conexiones que estas salidas tienen con otros elementos procesales. Las redes neuronales tienen una caracterstica adaptativa, son capaces de aprender a dar una salida especfica con un entrenamiento que les indique cual es la salida requerida. Tienen una caracterstica de auto organizacin, es la modificacin de la red completa para lograr un resultado en conjunto. Esto se logra utilizando la caracterstica adaptativa la cual cambia los elementos procesales.

17

2.3.1 Modelo biolgico de neurona

Una red neuronal tiene sus elementos procesales y sus conexiones en paralelo y solo se dedica a transformar sus entradas en la salida especfica. Por lo que es necesario conocer los modelos de las redes neuronales para simular su comportamiento despus de realizar el entrenamiento especfico en una computadora secuencial para implementar en un dispositivo microelectrnico la red neuronal deseada y obtener las velocidades de una ejecucin en tiempo real.

Figura 3: Modelo biolgico de neurona. [3] La figura 3 muestra las partes fundamentales de una neurona y sus funciones, el trabajo principal de la neurona es tomar las entradas y transformarlas segn su estado actual y el valor de las entradas para producir o no una salida que sea utilizada por otras neuronas conectadas.

18

2.3.2 Entradas y salidas de una neurona de red neuronal

Figura 4: Entradas y salidas de neurona. [3] La figura 4 muestra las entradas y salidas de una neurona en ella se aprecia como las entradas forman un nico valor el cual junto con el estado actual de la neurona son las entradas a una funcin que determina el prximo estado. Luego el prximo estado es la entrada de la funcin de salida de la neurona, esta salida ser una entrada a una o varias neuronas. El producto de las entradas y los valores de su conexin forman un valor que provoca cambios en la neurona y su salida, lo cual se expresa en la ecuacin 26. La forma matricial de j neuronas con sus conexiones wij y sus respectivas entradas yi se presenta en la ecuacin 27, esta expresa vectores de entrada, vectores de salida y vectores de conexiones.
net j = yi w ij
i n

(26) (27)

Net

= Y W

19

A veces es necesaria una entrada arbitraria para modificar la salida de la neurona en una forma especfica. Esta entrada tiene un valor y su conexin un valor negativo, tratando de deshabilitar la neurona obligando a una valor menor en la suma de sus entradas como muestra la ecuacin 28.
y i ( t+ 1 ) = f

i =1

y i w ij i 1 = f

) (

y i w ij
i

= f ( net i )

(28)

2.3.3 Aprendizaje de la red neuronal

El proceso de aprendizaje significa biolgicamente cambiar los valores de la sinapsis mas que cambiar las neuronas, por lo que para las redes neuronales significa cambiar los valores de las conexiones entre las neuronas. Las redes neuronales se pueden construir por niveles de neuronas. Puede existir un nivel de entrada el cual toma los datos externos de la red, luego el nivel oculto el cual determina junto con el tipo de conexiones entre las neuronas el tipo de red y por ltimo el nivel de salida la cual transfiere los datos al exterior de la red. En la figura 5 se presentan los posibles tres tipos de niveles para una red neuronal. Las conexiones de un nivel de la red al siguiente son el tipo de conexin de propagacin hacia adelante; las conexiones entre niveles actuales y/o anteriores son el tipo de conexin de propagacin hacia atrs.

20

Figura 5: Niveles en una red neuronal. [3] El mtodo de aprendizaje de una red neuronal, significa cambiar los valores de los pesos en las conexiones entre neuronas. Las conexiones entre las neuronas se crean cuando su peso entre ellas es superior a cero, mientras se destruye una conexin entre neuronas cuando su peso es cero. El proceso de aprendizaje termina cuando el cambio de los pesos con respecto al tiempo es cero como muestra la ecuacin 29.
dw ij =0 dt

(29)

Entonces es necesario conocer los mtodos de aprendizaje de las redes neuronales para cambiar sus conexiones y con estos cambios obtener un resultado en conjunto. Es por eso que los mtodos de aprendizaje se dividen en supervisados y no supervisados; los supervisados utilizan una comparacin con la salida deseada que indica como debe ser el cambio de los pesos en las conexiones, mientras el mtodo no supervisado no utiliza una comparacin.

21

El aprendizaje supervisado se caracteriza por un entrenamiento controlado por un supervisor que determina la respuesta que debe tener la red a una entrada especfica. El aprendizaje supervisado por correccin de error consiste en ajustar los valores de las conexiones segn la diferencia entre el valor deseado y el obtenido a la salida de la red, como muestra la ecuacin 30 en la que el valor es el factor de aprendizaje que regula la velocidad de aprendizaje.
anterior w ij = w actual w ij = y i ( d j y j ) ij 0<<1

(30)

El aprendizaje supervisado por refuerzo se utiliza cuando no se conoce el valor deseado exacto para la salida de la red neuronal, por lo que se indica si por medio de una seal 1 de xito si la salida es correcta o una seal 0 si la salida es incorrecta a la deseada. Una vez que la red neuronal ha aprendido y por lo tanto establecido los valores de sus conexiones, se puede pensar en el conjunto de estos valores como una memoria asociativa, la cual direcciona los datos segn las entradas de la red neuronal. Las formas en que se utilizan los datos de la memoria de la red neuronal puede ser heteroasociativa la cual asocia a cada entrada un valor o puede ser autoasociativa la cual utiliza el valor mas parecido de toda su memoria para dar la salida.

22

Bibliografa
1 - Hilera Gonzlez, Jos Ramn; Martnez Hernando, Vctor Jos. Redes neuronales 2 artificiales : fundamentos, modelos y aplicaciones. MathWorkd. Neural Network Toolbox .

http://www.mathworks.com/products/neuralnet/ 3 Monografas . Redes neuronales artificiales Fundamentos, modelos y aplicaciones. http://www.monografias.com/trabajos12/redneur/redneur.shtml

4 Ogata, Katsuhiko, Ingeniera de Control Moderna , Cuarta edicin. 5 Prashant Dave. Artificial Neural Network(ANN) Toolbox for Scilab. scilab.in/files/workshops/29-11-2010-mumbai/ANN_ppt.pdf 6 - Rebeca Snchez Moraga, Modelado, simulacin y control de un motor de corriente continua. 7 Todo robot . Motores de corriente continua (DC).

http://www.todorobot.com.ar/documentos/dc-motor.pdf

23

Cronograma de actividades
(Detalle de las labores a realizar a partir de la aprobacin del tema propuesto, desglosado por semana, este debe abarcar un periodo de no menor a 16 semanas) Eleccin de programas a utilizar. Relacionado con objetivo especfico 1.

Tiempo estimado de 2 semanas. Obtencin de la respuesta controlada del motor de corriente continua por Utilizando los programas seleccionados.

medio del control convencional.

Relacionado con objetivo especfico 1. Tiempo estimado de 1 semanas. Investigacin profunda sobre el diseo de redes neuronales segn su

aplicacin. Relacionado con objetivo especfico 2. Tiempo estimado de 3 semanas. Eleccin de la red neuronal a utilizar y algunas pruebas aplicables utilizando Tiempo

los programas seleccionados. Relacionado con objetivo especfico 2. estimado de 2 semanas.

Desarrollo de algoritmo para el aprendizaje de la red neuronal a utilizar y

algunas pruebas aplicables utilizando los programas seleccionados. Relacionado con objetivo especfico 3. Tiempo estimado de 2 semanas. Simulacin de control del motor de corriente continua con la red neuronal

obtenida. Relacionado con objetivo especfico 4. Tiempo estimado de 3 semanas. Comparacin de resultados de la respuesta y posibles mejoras o correcciones a

la red neuronal diseada y su mtodo de aprendizaje. Relacionado con objetivo general. Tiempo estimado de 3 semanas.

24