Objetivos

Disear adecuadamente un experimento que permita generar los datos para

identificar una planta con Redes Neuronales Artificiales.

Definir la arquitectura de una Red Neuronal que permita realizar la identificacin de
una planta.

Entrenar una Red Neuronal para que identifique una planta.

Validar el modelo que se tiene con una red Neuronal luego de entrenarla con los
datos provenientes de la planta


PROCEDIMIENTO

1. Grafique las siguientes funciones de dos variables y encuentre sus valores mximo
y mnimo mediante el uso de matlab. Seleccione a partir de la grafica un rango
adecuado de valores en los que le interese identificar el mximo y el mnimo.
a. X^2+y^2=1
b. 2sen4x+cos2y
c. 2X^2Y^2+3X-2Y+8=0
2. Que es un algoritmo genrico y qu relacin tendra esta tcnica con el numeral
anterior.
3. Haga un programa en matlab donde mediante programacin genrica un robot
pueda moverse siguiendo las paredes de una habitacin.



DESCRIPCIN DEL PROBLEMA


Con base al esquema de Simulink de la figura 1 se ha de obtener una serie de datos
para obtener los vectores de entrada, salida y tiempo del sistema para realizar la
identificacin de este por medio de una red neuronal.

CONTROL INTELIGENTE
Laboratorio N5

Profesor: Juan Pablo Rivera.

Transfer Fcn
s +4s+10
2
10
To Workspace2
Tiempo
To Workspace1
Salida
To Workspace
Entrada
Scope
Constant
0.6
Clock
Band -Limited
White Noise



PROCEDIMIENTO

Se ha de utilizar el modelo para una funcin de transferencia de segundo orden y
compararla con la funcin de transferencia del sistema para obtener los parmetros
necesarios con el fin de determinar el periodo de muestreo:



De aqu se obtiene que:
K = 1
Wn = Wn = 3.1623 rad/seg
= 4 0.6325
seg
Sample time = 0.1* 0.5 * 0.1 = 0.05 seg
0 5 10 15 20 25 30 35 40 45 50
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Respuesta Del Sistema Ante Entrada De Ruido Blanco
E
s
c
a
l
o
n

a
p
l
i
c
a
d
o

y

R
e
s
p
u
e
s
t
a

d
e
l

S
i
s
t
e
m
a
Tiempo


Ruido Blanco
Respuesta de la planta
Sample time for Band-Limited white noise (ts) =
Con estos parmetros obtenidos se parametrizan los bloques del Simulink; el primer
tiempo de muestreo de 0.05 es utilizado en todos los bloques del diagrama salvo en el
generador de ruido blanco, el cual se le ingresa un parmetro de cambio de 2.5
segundos, esto con el fin de que ingrese un escaln diferente en este intervalo de
tiempo permitiendo a la planta alcanzar este escaln generado.
Una vez hecho esto se obtiene la siguiente respuesta en la planta.

Una vez realizada esta simulacin han de quedar guardadas en el MATLAB
las variables de tiempo, Entrada y salida del sistema para realizar la identificacin del
mismo, la cual ser realizada con la ayuda de un modelo ARX, el cual trabaja con los
estados pasados de la salida y entrada del sistema con el fin de realizar una adecuada
identificacin y prediccin del siguiente estado.

La ecuacin de este modelo es:

Y(k)=F(U(k-1),U(k-2),y(k-1),y(k-2))

Donde las Y son las salidas del sistema y U las entradas de este.

Con base a esto los parmetros para entrenar la red han de quedar de la siguiente
manera.

Entrada
retardada un
tiempo
Entrada
retarda dos
tiempos
Salida con
un retardo
Salida
retardada
dos tiempos
Salida Actual
del sistema
U(k-1) U(k-2) Y(k-1) Y(k-2) Y(k)

Sabiendo esto se ha de programar adecuadamente la red neuronal para que trabaje
con estos parmetros.

El siguiente es el cdigo en MATLAB para realizar dicha tarea el cual adems tendr
como capa oculta diez neuronas y una sola capa de salida que ser la salida actual
del sistema:
y=length(Salida)
e1=Entrada(2:1:(y-1))%Este ser el U(k-1)
e2=Entrada(1:1:(y-2))%Este ser el U(k-2)
s1=Salida(2:1:(y-1))%Este ser el Y(k-1)
s2=Salida(1:1:(y-2))%Este ser el Y(k-2)
s3=Salida(3:1:(y))%Salida Y(k)
INs=[e1 e2 s1 s2];%Entradas a la caja negra
ENTRADAS=INs'%Vector de entradas transpuesto
%esto con el fin de realizar la operacin matricial
red=newff(minmax(ENTRADAS),[10,1],{'tansig','purelin'},'trainlm')
%seleccin de los parmetros de entrenamiento incluyendo el tipo de
entrenamiento que puede ser trainlm, traingd, traingdm, traingda,
traingdx
red.trainparam.show=20%MOstrar grafica de entrenamiento cada 20
epochs
red.trainparam.epochs=100%Realizar 100 epochs
red.trainparam.goal=0.0000001%Valor de parada, el entrenamiento se
detiene si
%el error presente es menor a este valor
red=train(red,ENTRADAS,s3')%Entrenar con los valores definidos
gensim(red,0.05)%el 0.05 es el tiempo de muestreo

Una vez entrenada la red, el MATLAB muestra en un grafico el entrenamiento de la
red adems de entregar un bloque que guarda los parmetros de esta red entrenada,
basados en los parmetros y tipo de entrenamiento seleccionado.

Los grficos de entrenamiento con los diferentes tipos de entrenamientos son los
siguientes, los cuales indican la cantidad de epochs utilizados y el error obtenido con
este tipo de entrenamiento. Recordemos que se por software hemos impuesto como
limite un mximo de 100 epochs y que el entrenamiento se detenga si se presenta un
error inferior a 0.0000001.
Ss



Tipo de
Entrenamiento

Tiempo utlizado
trainlm 1.822503 seg.
traingd 2.425252 seg.
y{1}
Unit Delay 3
z
1
Unit Delay 2
z
1
Unit Delay 1
z
1
Unit Delay
z
1
Transfer Fcn
s +4s+10
2
10
To Workspace2
Tiempo
To Workspace1
Salida
To Workspace
Entrada
Step
Scope
Neural Network
x{1} y {1}
Clock
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Respuesta Del Sistema Ante Escaln Unitario
E
s
c
a
l
o
n

A
p
l
i
c
a
d
o
,

R
e
s
p
u
e
s
t
a

d
e
l

S
i
s
t
e
m
a

R
e
a
l
,

R
e
s
p
u
e
s
t
a

D
e

L
a

R
e
d

N
e
u
r
o
n
a
l
Tiempo


Escaln Unitario
Respuesta Sistema Real
Respuesta De La Red
trainlgdm 2.793966 seg.
trainlgda 2.284557 seg.
trainlgdx 2.456878 seg
Una vez entrenada la red neuronal con los diferentes tipos de entrenamiento se
observa que el entrenamiento con mejor respuesta es aquel en el que se usa el
parmetro trainlm, por tanto el bloque obtenido en este entrenamiento se ha de usar
en un diagrama de Simulink que permita ver la comparacin entre la seal de entrada,
la respuesta del planta real y la planta obtenida por la red neuronal en el proceso de
identificacin; Este diagrama es mostrado a continuacin:



La grafica obtenida
es la siguiente:












CONCLUSIONES



Una red neuronal bien entrenada puede simular el comportamiento de una
planta, por lo que nos servira para la parte industrial para identificacin y
posterior control de las mismas.

El entrenamiento tranlm es el ms eficaz de todos los entrenamientos para
este tipo de red neuronal, ya que es este quien realiza su labor en el menor
tiempo y logra el objetivo de obtener un error inferior a 0.000001

Para una adecuada identificacin de un proceso por medio de una red
neuronal se debe utilizar un modelo de identificacin ARX, para as trabajar
con base a los estados anteriores de la entrada y salida.

Para validar los modelos realizados con la ayuda de redes neuronales se debe
tener sumo cuidado a la hora de estructurar el diagrama de Simulink, ya que el
ingreso inadecuado de las variables genera una validacin errnea del modelo.

Hasta ahora solo era conocida en el MATLAB el TOOLBOX de identificacin
para realizar la identificacin de un sistema, ahora con la ayuda de las redes
neuronales podemos ver que este software posee diversos mtodos para
realizar una adecuada identificacin a un sistema.