Sunteți pe pagina 1din 136

INSTITUTO POLITCNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERA MECNICA Y ELCTRICA

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL


INTELIGENTE

TESIS

Que para obtener el ttulo de


INGENIERO EN COMUNICACIONES Y ELECTRNICA

PRESENTAN:
JULIETA AGUILERA MUOZ
DAVID HERNNDEZ PREZ

ASESORES:
DR. JULIO CESAR TOVAR RODRGUEZ
DR. CARLOS ROMN MARIACA GASPAR
DR. RODRIGO LPEZ CRDENAS

MXICO, D.F. a 07 de JUNIO 2012

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Agradecimientos
J.A.M.

AGRADECIMIENTOS
JULIETA AGUILERA MUOZ
Son tantos los sentimientos encontrados al ver concluida mi meta, que echando un vistazo para
atrs me doy cuenta que llegar hasta aqu no fue fcil, hubo desvelos, preocupaciones, tristezas,
enojos; pero tambin hubo alegras, amor, aprendizaje, nuevos amigos, y sobre todo, ese apoyo
de las personas que s que siempre estarn a mi lado.
A mis padres,
Por ser orgullosamente su hija, que me guiaron y motivaron en todo momento, que estuvieron
conmigo en cada desvelo, que me inculcaron todos los valores necesarios y por todo el apoyo que
me han brindado.
A mi hermano,
Por su preocupacin, consejos y estar siempre al pendiente de mi madurez.
A mi novio,
Por estar conmigo en todo momento, apoyar mis decisiones, perdonar mis errores, aguantar mis
altibajos y sobre todo por darme tanto amor para seguir adelante superando los obstculos.
A mis amigos,
Que siempre me han apoyado en las buenas y malas decisiones que he tomado, pero sobre todo
por todo el cario y amor recibido.
A mis asesores,
Por su tiempo, paciencia, dedicacin y comprensin.
Al IPN,
Por abrirme las puertas a esta maravillosa institucin y cobijarme, pero sobre todo a la ESIME,
que me brindo todo lo necesario para llegar hasta aqu y a la que le debo el aprendizaje recibido.
GRACIAS
4

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Agradecimientos
D.H.P.

DAVID HERNNDEZ PREZ


Rer a menudo y mucho; ganar el respeto de gente inteligente y el cario de los nios, conseguir
el aprecio de crticos honestos y aguantar la traicin de falsos amigos; apreciar la belleza, encontrar lo
mejor en los dems; dejar el mundo un poco mejor, sea con un nio saludable, una huerta, un libro o una
condicin social remitida; saber que por lo menos una vida ha respirado mejor porque t has vivido. Eso
es tener xito Ralph Waldo Emerson
El que este trabajo haya sido iniciado y culminado es resultado de todos mis esfuerzos, desvelos y
sacrificios realizados. Pero es gracias a que nunca estuve solo y por tanto este trabajo se lo dedico a toda la
gente que me ha brindado su apoyo incondicional (Familiares, Amigos y Profesores, tanto los presentes
como a los que por una u otra circunstancia han quedado atrs ms jams en el olvido), ya que sin este,
esta meta nunca podra haber sido alcanzada Este logro es de ustedes!!!
Gracias a todos
A mi mam,
Marisela, a quien debo todo incluyendo lo ms valioso que tengo la vida. Por tu infinito amor,
paciencia, comprensin, dedicacin, ternura, por sacrificar tu vida en m, por hacer de mi tu mejor
creacin, por llenarme de orgullo y motivacin as como por ser un modelo a seguir, por mostrarme el
camino hacia la superacin en base al conocimiento, por tu amistad y confianza, por tu apoyo
incondicional, en fin, absolutamente todo te lo debo a ti y tu sola existencia se la agradezco a Dios pues
tenerte como madre ha sido su mejor regalo.
A mi familia,
Quiero agradecer profunda y sinceramente a todos: Age, Moa, Tio Rani, Tio George, Citlali;
por inspirarme y hacer de m un hombre de bien con su apoyo moral que desde siempre me han brindado y
con el cual he logrado terminar una carrera profesional que junto con sus enseanzas, amor y existencia
son para m las mejores de las herencias.
A Dios y mi Nia,
Por brindarme su cuidado y proteccin da con da, por aportarme las herramientas necesarias para
lograr mis metas, por su amor y apoyo y sobre todo por permitirme terminar esta etapa de mi vida con
salud y bienestar.

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Agradecimientos
D.H.P.

A mi novia,
July, por abrirme tu corazn y permitirme compartir a tu lado una de las mejores etapas de mi
vida, por apoyarme y estar conmigo en las buenas y en las malas, por impulsarme a ser mejor y
superarme, por tu gran amor y paciencia, por comprenderme, tolerar mis arranques, por festejar mis
aciertos y sufrir mis derrotas, por llenar de bellos momentos mi vida y mi paso por esta institucin Este
es el primero de nuestros logros y sueos realizados juntos mi vida!!!
A mis amigos,
En especial a Charly y a Arturo (Cheyenne), por su cario, por estar ah cuando ms he necesitado
de ustedes, por compartir momentos de alegra, coraje y tristeza, por tolerar mis arranques, disculpar mis
errores y aceptarme tal como soy y por impulsarme a ser mejor da a da.
A mis profesores,
Por aportarme nuevos y valiosos conocimientos. En especial a nuestros directores de tesis los
Doctores Julio Tovar, Carlos Mariaca y Rodrigo Lpez, por brindarnos el material necesario para la
realizacin de este trabajo y an ms, por su tiempo, apoyo, dedicacin y amistad.
Al IPN y a la ESIME,
Por abrirme las puertas, darme una oportunidad en esta gran institucin y brindarme los espacios
para concluir mis estudios de ingeniera y as superarme para servir a los dems.

Gracias a todos ustedes, pues son gente de xito y con su ayuda tambin yo lo soy Los AMO!!!

Dicen que toda gloria es efmera, sin embargo he aprendido de todos ustedes que para trascender
no solo basta con un solo logro, hay que luchar da a da para ser mejores y conseguir xitos diarios.
Por ltimo, a todos aquellos que lean este trabajo y pudieran encontrar una inspiracin en l o bien
su contenido les sea de ayuda, de igual manera gracias pues habr cumplido mi cometido, recuerden que:
Habr dos fechas en tu tumba, todos tus amigos las leern. Pero lo relevante ser ese pequeo
guin entre ellas Kevin Welch.

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

ndice
General

ndice General
Objetivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Justificacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11
11
11

Introduccin a las redes neuronales artificiales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


1.1 Elementos de una red neuronal artificial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Funcin de salida o de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Topologa de las redes neuronales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1 Redes mono capa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.2 Redes multicapa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4 Mecanismo de aprendizaje. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.1 Aprendizaje correccin por error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.2 Aprendizaje Hebbiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.3 Aprendizaje competitivo y cooperativo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.4 Aprendizaje supervisado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.4.5 Aprendizaje no supervisado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5 El perceptrn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Ley de aprendizaje del perceptrn. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6 El perceptrn multicapa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.1 Aprendizaje del PMC- . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.6.1.1 Pasos para el clculo del algoritmo BP . . . . . . . . . . . . . . . . . . . . . . . .
1.6.2 Algoritmo BP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7 Mtodo diagramtico y red adjunta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.1 Representacin en diagramas de bloques de la RN . . . . . . . . . . . . . . . . . . . . . .
1.7.2 La red adjunta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.7.3 Deduccin del algoritmo BP utilizando el mtodo diagramtico. . . . . . . . . . . . . .
1.8 Teorema universal de aproximacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12
13
14
16
16
17
18
19
20
21
21
22
23
24
25
26
26
27
32
33
34
36
37

Redes Neuronales Recurrentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


2.1 Red de Hopfield. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Red Neuronal Recurrente Entrenable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Propiedad de Observabilidad de la RNRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Propiedad de Controlabilidad de la RNRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Aprendizaje de la RNRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.4 Estabilidad de la RNRE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

38
38
40
42
46
47
52

Identificacin y control de sistemas utilizando RN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


3.1 Identificacin de sistemas utilizando RN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Identificacin de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2 Identificacin con Redes Neuronales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.3 Identificacin con Redes Neuronales Recurrentes . . . . . . . . . . . . . . . . . . . . . . .
3.2 Control de un motor utilizando RNRE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1 Sistemas de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1.1 Sistemas de control en el espacio de estados . . . . . . . . . . . . . . . . . . .
3.2.1.2 Sistemas de control adaptable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1.3 Control adaptable directo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

56
56
56
58
61
62
62
63
63
66

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

3.2.2

ndice
General

Control adaptable usando redes neuronales recurrentes entrenables. . . . . . . . .


3.2.2.1 Control adaptable directo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

67
68

Simulaciones y Resultados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1 Motor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Clculo de los parmetros del motor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Modelo matemtico del motor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.3 Representacin de la F.T. en Espacio de Estados. . . . . . . . . . . . . . . . . . . . . . .
4.1.4 Controlabilidad y Observabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.5 Error en estado estacionario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.6 Cambio de polos del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Control de velocidad del motor con PID (Simulacin). . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Control de velocidad del motor con Control Inteligente RNRE (Simulacin). . . . . . . . .
4.4 Control de velocidad del motor con PID (Pruebas fsicas). . . . . . . . . . . . . . . . . . . . . . . .
4.5 Control de velocidad del motor con Control Inteligente RNRE (Pruebas fsicas). . . . . .

71
71
71
73
73
76
77
78
80
84
92
94

Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

101

Trabajos futuros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bibliografa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

103
104

Apndice A Motor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.1 Definicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.2 Motor de Corriente Directa (C.D.). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
A.3 Funcionamiento de un motor de C.D. con escobillas. . . . . . . . . . . . . . . . . . . . . . . . . .

i
i
i
ii

Apndice B Sensor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.1 Definicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.2 Sensores de desplazamiento y rotacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
B.2.1 Sensores basados en efecto Hall. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iii
iii
iii
iii

Apndice C PWM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.1 Definicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.2 Funcionamiento del PWM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

v
v
v

Apndice D Control PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


D.1 Control Proporcional (P) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
D.2 Control Proporcional Integral (PI) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
D.3 Control Proporcional Derivativo (PD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
D.4 Control Proporcional Integral Derivativo (PID) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

vi
vi
vi
vii
viii

Apndice E Imgenes del sistema fsico utilizado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ix

Apndice F Diagramas de flujo de los programas en los microcontroladores. . . . . . . . . .

xi

Apndice G Manuales de referencia y Hojas de especificaciones. . . . . . . . . . . . . . . . . . . . .

xvi

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

ndice de
Figuras

ndice de Figuras
1.1

Modelo no lineal de una j-sima neurona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Funciones de activacin: (a) identidad, (b) escaln, (c) saturacin, (d) sigmoide, (e)

14

tangente hiperblica, (f) gaussiana. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

1.3

Red neuronal Mono capa conectada completamente . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

1.4

Diferentes Topologas

Multicapa de Redes Neuronales Artificiales. (a) Un

perceptrn multicapa (MLP) conectado completamente. (b) Un MLP modular. (c)


Una red recurrente conectada completamente. (d) Una red recurrente conectada
parcialmente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

1.5

Diagrama a bloques del aprendizaje supervisado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

1.6

Diagrama a bloques del aprendizaje no supervisado. . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

1.7

Diferentes arquitecturas de un PMC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

1.8

Detalles de una neurona j de la capa de salida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

1.9

Propagacin del error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

1.10

Grfica de la conexin entre dos neuronas. La i-sima neurona de la capa oculta


conectada a la j-sima neurona de la capa de salida . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

1.11

Descripcin grfica de las partes de una red neuronal . . . . . . . . . . . . . . . . . . . . . . . . . .

33

1.12

Diagrama de una RN de tres capas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

1.13

Red Adjunta deducida a partir de la Red Neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

1.14

Diagrama representativo de una RN y el esquema de la RA. . . . . . . . . . . . . . . . . . . . . .

37

2.1

RN de Hopfield en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

2.2

Ejemplo de RNRE con tres entradas, tres salidas y tres nodos en la capa oculta. . . . . .

42

2.3

(a) Diagrama a bloques de una RNRE. (b) Diagrama a bloques de la red adjunta de
una RNRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

50

3.1

Modelos de Identificacin. (a) Modelo I. (b) Modelo II. (c) Modelo III. (d) Modelo IV . .

60

3.2

Identificacin dinmica de una planta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

61

3.3

Esquema bsico de un sistema de control adaptable. . . . . . . . . . . . . . . . . . . . . . . . . . .

64

3.4

Esquema de Control Adaptable Directo por Modelo de Referencia. . . . . . . . . . . . . . . . .

66

3.5

Diagrama a bloques para un sistema de control directo adaptable de seguimiento de


trayectoria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.6

68

Diagrama de bloques para un sistema de control adaptable directo utilizando tres


RNRE. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

70

4.1

Motorreductor metlico con relacin de engranaje 131:1. . . . . . . . . . . . . . . . . . . . . . . . .

71

4.2

Dimensiones del motor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

72

4.3

(a), (b), (c), (d) y (e) lgebra de bloques empleada desde el concepto bsico de
mquina elctrica para determinar la funcin de transferencia del motor. . . . . . . . . . . .

74

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

ndice de
Figuras

4.4

Funcin de transferencia del motor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

75

4.5

Retroalimentacin de estado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

79

4.6

Control PID: (a), (b) comparacin entre la seal de referencia y la seal de entrada . . .

81

4.7

Control PID: Seal de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

82

4.8

Control PID: (a) Error en estado estacionario, (b) Error cuadrtico medio (RMS). . . . . .

83

4.9

Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de
referencia y la seal de salida de la planta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.10

85

Control directo adaptable con tres RNREs: (a) Seal de Control ff, (b) Seal de
control fb. (c) Seal de control total. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

87

4.11

Control directo adaptable con tres RNREs: Error instantneo de Control. . . . . . . . . . .

87

4.12

Control directo adaptable con tres RNREs: Error Cuadrtico Medio de control. . . . . . .

88

4.13

Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de
salida de la planta y la seal de identificacin de la planta controlada. . . . . . . . . . . . . .

89

4.14

Control directo adaptable con tres RNREs: (a) y (b) Estados identificados de la planta.

90

4.15

Control directo adaptable con tres RNREs: Error instantneo de Identificacin. . . . . . .

90

4.16

Control directo adaptable con tres RNREs: Error Cuadrtico Medio de identificacin. .

91

4.17

Control PID: (a), (b) comparacin entre la seal de referencia y la seal de entrada . . .

93

4.18

Control PID: Error cuadrtico medio (RMS). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

93

4.19

Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de
referencia y la seal de salida de la planta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.20

95

Control directo adaptable con tres RNREs: (a) Seal de Control ff, (b) Seal de
control fb. (c) Seal de control total. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

97

4.21

Control directo adaptable con tres RNREs: Error Cuadrtico Medio de control. . . . . . .

97

4.22

Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de
salida de la planta y la seal de identificacin de la planta controlada. . . . . . . . . . . . . .

98

4.23

Control directo adaptable con tres RNREs: (a) y (b) Estados identificados de la planta.

99

4.24

Control directo adaptable con tres RNREs: Error instantneo de Identificacin. . . . . . . 100

4.25

Control directo adaptable con tres RNREs: Error Cuadrtico Medio de identificacin. . 100

A.1

Principio bsico de funcionamiento de un motor de C.D . . . . . . . . . . . . . . . . . . . . . . . . .

A.2

Motor de cuatro polos, el campo magntico es producido por la corriente que fluye en

ii

las bobinas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ii

B.1

Efecto Hall en un semiconductor tipo n. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

iv

C.1

Regulacin de Ancho de Pulsos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

D.1

Sistema de control PID. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

E.1

Sistema fsico en reposo y ubicacin de sus partes. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

ix

E.2

Sistema fsico en funcionamiento a mxima capacidad. . . . . . . . . . . . . . . . . . . . . . . . . .

10

viii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Generalidades

OBJETIVO
Controlar la velocidad de un motor de corriente directa utilizando redes neuronales recurrentes
entrenables para el desarrollo de plataformas de enseanza para las materias de la especialidad de control
de la Ingeniera en Comunicaciones y Electrnica (ICE).

JUSTIFICACIN
Se realizar el control de un motor de Corriente Directa con redes neuronales recurrentes para
compararlos con los de un sistema de control clsico (PID), esto, para observar las diferencias y
similitudes en cuanto a su funcionalidad y estabilidad. Adems al tenerlo realizado fsicamente se le podr
dar utilidad en alguna aplicacin de la vida cotidiana, as como para el desarrollo de plataformas
educativas que coadyuven en la enseanza de las distintas materias de la especialidad de control.

PLANTEAMIENTO DEL PROBLEMA


En la actualidad, todo el entorno est ligado plenamente en cualquier aspecto al uso de motores (de
cualquier tipo), por lo que como estudiantes de ingeniera y con los conocimientos ya adquiridos y por
aprender, se quiere hacer una mejora en alguna aplicacin.
As, en un principio, se desea controlar la velocidad de un motor de Corriente Directa por medio de
un PID, se observar y se comprender su funcionamiento el cual ser remplazado por un control
inteligente del tipo Red Neuronal Recurrente Entrenable.
Realizado el PID y la Red Neuronal Recurrente Entrenable se har una comparacin entre ambos
para determinar cul y por qu funciona mejor en la planta, tomando en cuenta los criterios de precisin,
exactitud y velocidad de respuesta.

11

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

Captulo 1, [25]
Introduccin a las redes neuronales artificiales
En los ltimos aos de exploracin en inteligencia artificial, los investigadores se han intrigado
por las redes neuronales. El concepto se basa vagamente en cmo pensamos que funciona el cerebro de un
animal. Un cerebro consiste en un sistema de clulas interconectadas, las cuales son, aparentemente,
responsables de los pensamientos, la memoria y la conciencia. Una red neuronal artificial puede verse
como una mquina diseada originalmente para modelar la forma en que el sistema nervioso de un ser
vivo realiza una determinada tarea. Para lograr este objetivo, una red neuronal artificial est formada por
un conjunto de unidades de procesamiento interconectadas llamadas neuronas.
Cada neurona recibe como entrada un conjunto de seales discretas o continuas, las pondera e
integra, y transmite el resultado a las neuronas conectadas a ella. Cada conexin entre dos neuronas tiene
una determinada importancia asociada denominada peso sinptico o, simplemente, peso. En los pesos se
suele guardar la mayor parte del conocimiento que la red neuronal tiene sobre la tarea en cuestin. El
proceso mediante el cual se ajustan estos pesos para lograr un determinado objetivo se denomina
aprendizaje o entrenamiento y el procedimiento concreto utilizado para ello se conoce como algoritmo de
aprendizaje o algoritmo de entrenamiento. El ajuste de pesos es la principal forma de aprendizaje de las
redes neuronales. Las neuronas demuestran plasticidad: una habilidad de cambiar su respuesta a los
estmulos en el tiempo, o aprender; en una red neuronal artificial, se imitan estas habilidades por software,
[16].
Las redes neuronales destacan por su estructura fcilmente paralelizable y por su elevada
capacidad de generalizacin (capacidad de producir salidas correctas para entradas no vistas durante el
entrenamiento). Otras propiedades interesantes son:

Adaptabilidad. Las redes neuronales son capaces de reajustar sus pesos para adaptarse a cambios
en el entorno. Esto es especialmente til cuando el entorno que suministra los datos de entrada es
no estacionario, es decir, algunas de sus propiedades varan con el tiempo.

Tolerancia ante fallos. Una red neuronal es tolerante ante fallos en el sentido de que los posibles
fallos operacionales en partes de la red solo afectan dbilmente al rendimiento de sta. Esta
propiedad es debida a la naturaleza distribuida de la informacin almacenada o procesada en la
red neuronal.

No linealidad. Una red neuronal puede ser lineal o no lineal. Esta ltima caracterstica es muy
importante, especialmente si se intenta modelar sistemas generados mediante pautas no lineales.

12

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

Capacidad para aproximar mapeados no lineales mejor que otros esquemas (polinomios, etc.)

Capacidad para operar con datos numricos y simblicos simultneamente.

Son aplicables a sistemas MIMO.

1.1 Elementos de una red neuronal artificial


Cualquier modelo de red neuronal consta de dispositivos elementales de proceso: las neuronas. A
partir de ellas, se puede generar representaciones especficas de tal forma que un estado conjunto de ellas
pueda significar una letra, un nmero o cualquier otro objeto. La neurona artificial pretende mimetizar las
caractersticas ms importantes de las neuronas biolgicas.
En el modelo ms habitual de neurona se identifican cinco elementos bsicos para la j-sima neurona de
una red de tiempo discreto:
Un conjunto de n seales de entrada, xi (t ) , i = 1,2,....,n , que suministran a la neurona los datos del
entorno; estos datos pueden ser externos a la red neuronal, pertenecientes a la salida de otras neuronas de
la red, o bien correspondientes a la salida anterior de la propia neurona.

Un conjunto de sinapsis, caracterizada cada una por un peso propio wij, i = 1,2,....,n . El peso wij
est asociado a la sinapsis que conecta la unidad i-sima con la neurona j-sima.
Un valor constante llamado polarizacin o bias representado por b cuya presencia aumenta la
capacidad de procesamiento de la neurona y que eleva o reduce la entrada a la neurona, segn sea
su valor positivo o negativo.
Un sumador o integrador que suma las seales de entrada, ponderadas con sus respectivos pesos, y
el bias.

Una funcin de activacin f que suele limitar la amplitud de la salida de la neurona.

Cada j-sima neurona est caracterizada en cualquier instante por un valor numrico denominado valor o
estado de activacin vj(t). Las seales moduladas que han llegado a la i-sima unidad se combinan entre
ellas, generando as el estado actual de activacin como lo muestra la siguiente ecuacin:
m

v j (t ) wij x i (t ) b

(1.1)

y j (t ) fi (v j (t ))

(1.2)

i 1

13

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

La figura 1.1 nos muestra el modelo no lineal de una neurona artificial, en base a los elementos
descritos anteriormente. La dinmica que rige la actualizacin de los estados de las unidades (evolucin de
la red neuronal) suele ser de dos tipos: modo asncrono y modo sncrono. En el primer caso, cada neurona
evala su estado continuamente, segn les va llegando la informacin, y lo hacen de forma independiente.
En el caso sncrono, la informacin tambin llega de forma continua, pero los cambios se realizan de
forma simultnea, como si existiera un reloj interno que decidiera cuando deben cambiar su estado. Los
sistemas biolgicos quedan probablemente entre ambas posibilidades.

Funcin

Salida

Figura 1.1. Modelo no lineal de una j-sima neurona.

1. 2 Funcin de salida o transferencia


La funcin de activacin es la que define finalmente la salida de la neurona. Entre las unidades o
neuronas que forman una red neuronal artificial estas funciones de activacin o transferencia forman un
conjunto de conexiones que unen unas neuronas con otras. Las funciones de activacin ms utilizadas
habitualmente son las siguientes:
1. Funcin identidad. Tiene la forma f (v) = v y se utiliza cuando no se desea acotar la salida de la
neurona, la figura 1.2 (a) nos representa esta funcin.
2. Funcin escaln. La figura 1.2 (b) nos presenta la grfica de una funcin escaln. Esta funcin
adopta la forma

1
f (v )
1

si v 0

(1.3)

si v 0

y proporciona una salida con dos posibles valores. Es habitual encontrrsela con el nombre de funcin de
Heaviside.

14

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

3. Funcin saturacin. La figura 1.2 (c) muestra la grfica de una funcin de activacin saturacin,
cuya representacin matemtica se presenta a continuacin:

f (v ) 1

av

si v c
si v c

(1.4)

en otro caso

4. Funcin sigmoide. Las funciones sigmoideas son un conjunto de funciones crecientes, montonas
y acotadas que provocan una transformacin no lineal de su argumento. Una de las ms utilizadas
es la funcin sigmoide definida por la siguiente ecuacin, donde p es la pendiente de la funcin de
activacin:

f(v) =

1
1+exp(-pv)

(1.5)

La funcin sigmoide est acotada entre 0 y 1, en la figura 1.2 (d) se muestra su representacin.
5. Otra funcin sigmoidea es la funcin tangente hiperblica:

f (v )

1 exp( pv )
1 exp( pv )

(1.6)

La figura 1.2 (e) representa la grfica de la funcin de activacin tangente hiperblica.


6. Funcin de base radial. La figura 1.2 (f) nos muestra un ejemplo de este tipo de funciones de
activacin. Las ms habituales son funciones gaussianas no montonas del tipo

v2
f (v ) exp 2
2

(1.7)

donde define la anchura. La funcin alcanza su valor mximo cuando la entrada es cero.

(a)

(b)

(c)

15

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

(d)

(e)

Captulo 1

(f)

Figura 1.2. Funciones de activacin: (a) identidad, (b) escaln, (c) saturacin, (d) sigmoide,
(e) tangente hiperblica, (f) gaussiana.

1.3 Topologa de las redes neuronales


La topologa o arquitectura de las redes neuronales consiste en la organizacin y disposicin de las
neuronas en la red formando capas o agrupaciones de neuronas ms o menos alejadas de la entrada y
salida de la red. En este sentido, los parmetros fundamentales de la red son: el nmero de capas, el
nmero de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas.

1.3.1 Redes mono-capa


En su forma ms simple, una red neuronal tiene una capa de entrada y una capa de salida.
En las redes mono capa (1 capa) se establecen conexiones laterales entre las neuronas que
pertenecen a la nica capa que constituye la red. Tambin pueden existir conexiones auto-recurrentes
(salida de una neurona conectada a su propia entrada). Las redes de una sola capa se utilizan tpicamente
en tareas relacionadas con auto-asociacin; por ejemplo para regenerar informaciones de entrada que se
presentan a a red incompletas o distorsionadas. La figura 1.3 nos ilustra un ejemplo de esta topologa con
5 nodos en la capa de entrada y cuatro en la capa de salida.

Figura 1.3 Red neuronal Mono-capa conectada completamente

16

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

1.3.2 Redes multicapa


Las redes multicapa son aquellas que disponen de conjuntos de neuronas agrupadas en varios
niveles o capas. Normalmente, todas las neuronas de una capa reciben seales de entrada de otra capa
anterior, ms cercana a las entradas de la red, y envan seales de salida a una capa posterior, ms cercana
a la salida de la red; a estas conexiones se les denomina conexiones hacia adelante o feed forward. Sin
embargo, en un gran nmero de estas redes tambin existe la posibilidad de conectar las salidas de las
neuronas de capas posteriores a las entradas de las capas anteriores, a estas conexiones se las denomina
conexiones hacia atrs o feed back.

Redes con conexiones hacia delante (feed forward)


En las redes feed forward, todas las seales neuronales se propagan hacia delante a travs de las
capas de la red, no existen conexiones hacia atrs (ninguna salida de neuronas de una capa i se aplica a la
entrada de neuronas de la capa i 1, i 2 ) y normalmente tampoco auto-recurrentes (salida de una
neurona aplicada a su propia entrada), ni laterales (salida de una neurona aplicada a neuronas de la misma
capa). Las redes feed forward ms conocidas son: Perceptrn, Adaline, Madaline, Drive-Reinforcement,
Back propagation. Todas ellas son especialmente tiles en aplicacin de reconocimiento o clasificacin de
patrones.

Redes con conexiones hacia atrs


En este tipo de redes circula informacin tanto adelante (forward), como hacia atrs (backward),
durante el funcionamiento de la red. En general en este tipo de conexiones, existen dos conjuntos de
pesos: los correspondientes a las conexiones feed forward de la primera capa (capa de entrada), hacia la
segunda (capa de salida), y los de las conexiones feed back de la segunda a la primera.
Los valores de los pesos de estos dos tipos de conexiones no tienen por qu coincidir, siendo
diferentes en la mayor parte de los casos. Algunas redes de este tipo tienen un funcionamiento basado en
lo que se conoce como resonancia, de tal forma que las informaciones en la primera y segundas capas
interactan entre si hasta que alcanzan un estado estable. Este funcionamiento permite un mejor acceso a
las informaciones almacenadas en la red. Tambin en este grupo de redes existen algunas que tienen
conexiones laterales entre neuronas de la misma capa. Estas conexiones se disean con conexiones
excitadas (con pesos positivos), permitiendo la cooperacin entre neuronas, o como inhibidoras (con peso
negativo), establecindose una competicin entre las neuronas correspondientes.

17

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

Los dos modelos de red feed forward/feed back de dos capas ms conocidos son la red ART
(Adaptive Resonante Theory) y la red BAM (Bidirectional Associative Memory). Para ilustrar las
diferentes formas de conectividad presentamos la figura 1.4 en la que podemos visualizar 4 topologas de
redes diferentes: (a) Un Perceptrn multicapa (MLP) conectado completamente. (b) Un MLP modular. (c)
Una red recurrente conectada completamente. (d) Una red recurrente conectada parcialmente.

a)

b)

c)

d)

Figura 1.4 Diferentes Topologas Multicapa de Redes Neuronales Artificiales. (a) Un Perceptrn multicapa (MLP) conectado
completamente. (b) Un MLP modular. (c) Una red recurrente conectada completamente. (d) Una red recurrente conectada
parcialmente.

1.4 Mecanismo de aprendizaje


El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una
informacin de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la
destruccin, modificacin y creacin de conexiones. En los modelos de redes neuronales artificiales, la
creacin de una nueva conexin implica que el peso de la misma pasa a tener un valor distinto de cero.
Durante el proceso de aprendizaje, los pesos de las conexiones de la red sufren modificaciones,
por tanto se puede afirmar que este proceso ha terminado (la red ha aprendido), cuando los valores de los
pesos permanecen estables.
Un aspecto importante respecto al aprendizaje en las redes neuronales es el conocer cmo se
modifican los valores de los pesos; es decir, cules son los criterios que se siguen para cambiar el valor

18

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

asignado a las conexiones cuando se pretende que la red aprenda una nueva informacin.
Estos criterios determinan lo que se conoce como la regla de aprendizaje de la red. Otro factor que
debe ser considerado es la manera en la cual una red neuronal adopta un conjunto interconectado de
neuronas. En este ltimo contexto se habla de un paradigma de aprendizaje, el cual se refiere a un modelo
del entorno en el que la red neuronal funciona. Los dos tipos de paradigmas que habitualmente se conocen
son: aprendizaje supervisado y aprendizaje no supervisado. La diferencia fundamental entre ambos tipos
de aprendizaje est en la existencia o no de un agente externo (supervisor) que controle el proceso de
aprendizaje de la red.
Otro criterio que se puede utilizar para diferenciar las reglas de aprendizaje se basa en considerar
si la red puede aprender durante su funcionamiento habitual o si el aprendizaje supone la desconexin de
la red; es decir su inhabilitacin hasta que el proceso termine. En el primer caso, se trata de un aprendizaje
ON LINE, mientras que el segundo es lo que se conoce como aprendizaje OFF LINE.
En las redes con aprendizaje ON LINE no se distingue entre fase de entrenamiento y de operacin,
de tal forma que los pesos varan dinmicamente siempre que se presente una nueva informacin al
sistema.
Cuando el aprendizaje es OFF LINE, se distingue entre una fase de aprendizaje o entrenamiento y
una fase de operacin o funcionamiento, existiendo un conjunto de datos de entrenamiento y un conjunto
de datos de test o prueba que sern utilizados en la correspondiente fase. En estas redes, los pesos de las
conexiones permanecen fijos despus que termina la etapa de entrenamiento de la red.
A continuacin se presentan tres de las reglas de aprendizaje ms populares: aprendizaje
correccin por error, aprendizaje Hebbiano, y, aprendizaje competitivo y cooperativo. Al final de estas
reglas, se exponen los dos fundamentales paradigmas de aprendizaje mencionados anteriormente:
aprendizaje supervisado, y aprendizaje no supervisado.

1.4.1 Aprendizaje correccin por error


Consiste en ajustar los pesos de las conexiones de la red en funcin de la diferencia entre los
valores deseados y los obtenidos den la salida de la red; es decir, en funcin del error cometido en la
salida.
Una regla o algoritmo simple de aprendizaje por correccin de error podra ser el siguiente:

w ji (n ) yi (n )ek (n )

(1.8)

19

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

donde

ek (n ) dk (n ) yk (n )

(1.9)

siendo wij la variacin en el peso de la conexin entre las neuronas i y j ; y i (n) es la salida de la isima neurona, correspondiente a la entrada de la neurona j; dk (n) es el valor deseado para la j -sima
neurona; yk (n) es la salida de la j -sima neurona; es el factor de aprendizaje (0 < 1) que regula la
velocidad del aprendizaje.
Existen varios algoritmos de aprendizaje por correccin de error, por ejemplo la denominada regla
delta generalizada o algoritmo de retro propagacin del error (error back propagation), tambin conocido
como regla LMS (Least-Mean-Square Error) multicapa. Se trata de una generalizacin de la regla delta
para poder aplicarla a redes con conexiones hacia adelante (feed forward) con capas o niveles internos u
ocultos de neuronas que no tienen relacin con el exterior, [15].

1.4.2 Aprendizaje Hebbiano


Este tipo de aprendizaje se basa en el siguiente postulado formulado por Donald O. Hebb en 1949:
Cuando un axn de una celda A est suficientemente cerca cmo conseguir excitar una celda B y repetida
o persistentemente toma parte en su activacin, algn proceso de crecimiento o cambio metablico tiene
lugar en una o ambas celdas, de tal forma que la diferencia de A, cuando la celda a activar es B, aumenta.
Por celda, Hebb entiende un conjunto de neuronas fuertemente conexionadas a travs de una intensidad o
magnitud de la conexin; es decir, el peso.
Se puede decir, por tanto, que el aprendizaje Hebbiano consiste bsicamente en el ajuste de los
pesos de las conexiones de acuerdo con la correlacin (multiplicacin en el caso de valores binarios +1 y 1) de los valores de activacin (salidas) de las dos neuronas conectadas:

wij yiy j

(1.10)

Esta expresin corresponde a la idea de Hebb, puesto que si las dos unidades son activas
(positivas), se produce un reforzamiento de la conexin. Por el contrario, cuando una es activa y la otra
pasiva (negativa), se produce un debilitamiento de la conexin. Se trata de una regla de aprendizaje no
supervisado, pues la modificacin de los pesos se realiza en funcin de los estados (salidas), de las
neuronas obtenidas tras la presentacin de cierto estmulo (informacin de entrada de la red), sin tener en
cuenta si se deseaba obtener o no esos estados de activacin.

20

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

1.4.3 Aprendizaje competitivo y cooperativo


En las redes con aprendizaje competitivo (y cooperativo), suele decirse que las neuronas compiten
(y cooperan), unas con otras con el fin de llevar a cabo una tarea dada. Con este tipo de aprendizaje, se
pretende que cuando se presente a la red cierta informacin de entrada, solo una de las neuronas de salida
de la red, o una por cierto grupo de neuronas, se active (alcance su valor de respuesta mximo). Por tanto,
las neuronas compiten por activarse, quedando finalmente una, o una por grupo, como neurona vencedora
(winner-take-all unit), quedando anuladas el resto, que son forzadas a sus valores de respuesta mnimos.
El objetivo de este aprendizaje es categorizar los datos que se introducen en la red. De esta forma,
las informaciones similares son clasificadas formando parte de la misma categora, y por tanto deben
activar la misma neurona de salida. Las clases o categoras deben ser creadas por la propia red, puesto que
se trata de un aprendizaje no supervisado, a travs de las correlaciones entre los datos de entrada, [16].

1.4.4 Aprendizaje supervisado


La tcnica mayormente utilizada para realizar un aprendizaje supervisado consiste en ajustar los
pesos de la red en funcin de la diferencia entre los valores deseados y los obtenidos en la salida de la red;
es decir, una funcin de error cometido en la salida.
Existen varias formas de calcular el error y luego adaptar los pesos con la correccin
correspondiente. Una de las ms implementadas utiliza una funcin que permite cuantificar el error global
cometido en cualquier momento durante el proceso de entrenamiento de la red, lo cual es importante, ya
que cuanto ms informacin se tenga del error cometido, ms rpido se puede aprender [Widrow & Hoff,
1960]. El error medio se expresa por la ecuacin:

Errorglobal =

1 P N
y j(k)d j(k)
2P k=1 j=1

(1.11)

dnde:
N = Nmero de neuronas de salida.
P = Nmero de informaciones que debe aprender la red.
dj = Valor de salida deseado para la neurona j.
yj = Valor de salida obtenido para la neurona j.
k = patrn k-simo presentado a la red.

21

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

Por lo tanto, de lo que se trata es de encontrar unos pesos para las conexiones de la red que
minimicen esta funcin de error. Para ello, el ajuste de los pesos de las conexiones de la red se puede
hacer de forma proporcional a la variacin relativa del error que se obtiene al variar el peso
correspondiente:

w ji k

Errorglobal

(1.12)

w ji

dnde:
wji = Variacin en el peso de la conexin entre las neuronas i y j.
Mediante este procedimiento, se llegan a obtener un conjunto de pesos con los que se consigue
minimizar el error medio, con la presentacin de cada nuevo patrn de entrenamiento a la red.

1.4.5 Aprendizaje no supervisado


Las redes con aprendizaje no supervisado no requieren influencia externa para ajustar los pesos de
las conexiones entre sus neuronas. La red no recibe ninguna informacin por parte del entorno que le
indique si la salida generada en respuesta a una determinada entrada es o no es correcta; por ello, suele
decirse que estas redes son capaces de auto-organizarse. Estas redes deben encontrar las caractersticas,
regularidades, correlaciones o categoras que se puedan establecer entre los datos que se presentan en su
entrada.
En algunos casos, la salida representa el grado de familiaridad o similitud entre la informacin que
se le est presentando en la entrada y las informaciones que se le han mostrado hasta entonces (en el
pasado). En otro caso podra realizar una clusterizacin o establecimiento de patrones o categoras,
indicando la red a la salida a qu categora pertenece la informacin presentada a la entrada, siendo la
propia red quien debe encontrar las categoras apropiadas a partir de las correlaciones entre las
informaciones presentadas. Una variacin de esta categorizacin es el prototipado. En este caso, la red
obtiene ejemplares o prototipos representantes de las clases a las que pertenecen las informaciones de
entrada.
Finalmente, algunas redes con aprendizaje no supervisado lo que realizan es un mapeo de
caractersticas, obtenindose en las neuronas de salida una disposicin geomtrica que representa un mapa
topogrfico de las caractersticas de los datos de entrada, de tal forma que si se presentan a la red
informaciones similares, siempre sean afectadas neuronas de salida prximas entre s, en la misma zona
del mapa.

22

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

Vector que
describe el estado
del entorno
Respuesta deseada
Supervisor

Entorno

Respuesta actual

Sistema de
Aprendizaje

Salida de error
Figura 1.5 Diagrama a bloques del aprendizaje supervisado

Vector que
describe el estado
del entorno

Entorno

Supervisor

Figura 1.6 Diagrama a bloques del aprendizaje no supervisado.

1.5 El Perceptrn
El perceptrn es en realidad una neurona artificial conformada por los 5 elementos bsicos
descritos en el apartado 1.1; esto es: un conjunto de seales de entrada, sinapsis, bias, un sumador o
integrador y, una funcin de activacin. El modelo del perceptrn como lo conocemos es atribuido a
Rosenblatt [16]. Este modelo est dado por la siguiente expresin:

y f wi (k ) ui (k )
i 1

(1.13)

donde y , w , u , y k son definidos como se hizo anteriormente, para el caso del perceptrn f () es la
funcin escaln unitario.
El perceptrn fue desarrollado para ejecutar tareas de clasificacin de patrones, esto lo hace
definiendo fronteras de decisin lineales, es decir, resuelve problemas de separabilidad de conjuntos
convexos.

23

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

1.5.1 Ley de aprendizaje del perceptrn


La ley de aprendizaje del perceptrn es un algoritmo conocido comnmente como Algoritmo
LMS (Least Mean Square, por sus siglas en ingls), y es del tipo de aprendizaje correccin por error
descrito anteriormente. Para evaluar el desempeo de las RN se evala una funcin de costo que, para el
caso del perceptrn es:

1
J (k ) e 2 (k )
2

(1.14)

donde e(k ) es el error en la k-sima iteracin generado por la diferencia en la salida de la RN y la salida
deseada. Por lo tanto en el aprendizaje lo que se desea es minimizar esta funcin con respecto a los pesos
w, dado que en el ajuste de los pesos interviene el error diremos que el perceptrn es una RN con
aprendizaje supervisado. Veamos ahora como es que se obtiene esa ley de aprendizaje.
Derivemos J con respecto a cada uno de los pesos w i, i =1,2,...,m; donde m es el nmero de
entradas; el error es e = d y , donde y es la salida del perceptrn y d es la salida deseada; f () , es la
primera derivada de la funcin de activacin.
Entonces:

e
y

f ()ui
wi
wi
g (k )

J (W )

e
ef ()ui
i

(1.15)

(1.16)

El mtodo del Gradiente Descendente o regla Delta, [5] nos dice que:

i (k 1) i (k ) g (k )

(1.17)

donde g (k) es el gradiente de J con respecto a wi (k) , es decir, g (k) = J /wi ; multiplicando por 1 nos
da la direccin de descenso y es una constante positiva llamada tasa de aprendizaje. Entonces la
actualizacin de los pesos del perceptrn es:

i (k 1) i (k ) e (k ) f `()ui (k )

(1.18)

En el proceso de entrenamiento, el perceptrn se expone a un conjunto de entrada, y los pesos de


la red son ajustados de forma que al final del entrenamiento se obtengan las salidas esperadas para cada
uno de estos patrones de entrada. La tabla 1.1 muestra un resumen del algoritmo LMS, la cual ilustra
claramente la simplicidad del algoritmo.

24

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

Tabla 1.1 Resumen del algoritmo LMS

1.- Se selecciona un vector de entrenamiento u(k) y una respuesta deseada d(k)


2.- Seleccionamos un parmetro de aprendizaje 0
3.- Inicializacin de los pesos
4.- Calculamos. Para k

< <1

wi(0) = valores aleatorios pequeos uniformemente distribuidos.

= 1,2,...,n tenemos que

i (k 1) i (k ) e(k ) f `()ui (k )
Donde

e( k ) d ( k ) y ( k )

1.6 El perceptrn multicapa


El perceptrn multicapa (PMC), [15], [16], [50] es un elemento muy importante en la evolucin
de las RN, debido a que es una de las primeras RNs propiamente dichas, su importancia queda manifiesta
en [19]. Un PMC es un arreglo de neuronas (perceptrones) en capas. Una capa es un conjunto de neuronas
que estn conectadas al mismo vector de entradas y generan un vector de salida. Cuando la salida. Cuando
la salida de una capa es la entrada de otra capa entonces decimos que el arreglo obtenido es un PMC, a
diferencia del perceptrn, el PMC puede tener mltiples salidas.
La diferencia entre un perceptrn y un PMC radica precisamente en que un perceptrn es una red
de una sola capa, con su respectiva entrada y salida, que contrasta con la arquitectura del PMC, el cual, es
una red de al menos 2 capas, una de entrada y una salida. Cuando en un PMC se tienen ms de dos capas
es decir, n +2 capas, decimos que el perceptrn tiene una capa de entrada, una de salida y un nmero n de
capas a las que llamaremos ocultas. La figura 1.7 muestra a dos perceptrones, el primero con una capa
oculta y el segundo con dos.

Figura 1.7 Diferentes arquitecturas de un PMC.

25

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

La estructura del PMC es una RN del tipo Feed Forward (RNFF), esto es, que el patrn de la
entrada se propaga hacia delante hasta la salida. Para aclarar este punto supngase un elemento de entrada
ui (k) y un elemento de la matriz de pesos wij (k) entonces la propagacin consiste en realizar el producto
ui(k)wiJ (k) y sumarlo a los dems productos uJ wkl (k); i k , j l , de la misma capa obteniendo una
seal zm(k), la cual, despus es introducida como argumento de la funcin f () formando una seal zm
(k), es decir,

f (vm (k)) = zm (k) ; donde, f () es la funcin de activacin y zm(k) es la m-sima

componente del vector de entrada de la siguiente capa; este proceso contina neurona por neurona, capa
por capa hasta obtener el vector de salida Y(k).

1.6.1 Aprendizaje del PMC


En el apartado 1.6.1 asentamos que el perceptrn tiene una ley de aprendizaje basada en el
algoritmo LMS. El algoritmo para el ajuste de los pesos del PMC es una derivacin del LMS y se conoce
como algoritmo de retro-propagacin o Back propagation (BP). Este algoritmo, como su nombre lo
indica, es una propagacin hacia atrs de la seal de error, la cual se forma de la diferencia entre la seal
deseada y la salida de la RN; el(k) = dl(k)yl(k). Recordemos que cuando se tena un perceptrn simple se
tomaba el error e(k) y se implementaba en la ecuacin (1.19) para actualizar los pesos. En este caso es
ms complicado pues se tiene al menos dos vectores de pesos.

1.6.1.1 Pasos para el clculo del algoritmo BP


En la aplicacin del algoritmo BP, se distinguen dos pasos en el clculo. El primero es llamado
paso hacia adelante, mientras que el segundo es llamado paso hacia atrs.

Paso hacia adelante


En el paso hacia delante los pesos sinpticos permanecen sin alteracin a travs de toda la red, y las
funciones de activacin de la red son evaluadas neurona por neurona. La funcin de activacin que
aparece a la salida de la neurona j es evaluada de la siguiente forma:

y j (k ) f j j (k )

(1.19)

donde vj(k) es el estado de activacin de la neurona j definido por:


m

v j (k ) w ji (k ) yi (k )

(1.20)

i 0

26

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

donde m es el nmero total de entradas aplicadas a la neurona j y wji(k) es el peso sinptico entre la
neurona j y la neurona i , y yi(k ) es la seal de entrada a la neurona j o bien, visto de otra manera es el
valor de la funcin de salida de la neurona i . Si la neurona j pertenece a la primera capada la red, la cual
queda expresada de la siguiente forma:

yi (k ) ui (k )

(1.21)

donde ui(k) es el i -simo elemento del vector de entrada. Por otro lado, si la neurona j pertenece a la
capa de salida de la red, m = mj y el ndice j seala la j-sima seal de salida de la red, la cual, queda
expresada de la siguiente forma:

yJ (k ) oJ (k )

(1.22)

donde oJ(k) es el j-simo elemento del vector de salida. Esta salida es comparada con la respuesta
deseada dJ(k), obteniendo as, el error de salida eJ(k) para la j-sima neurona de salida. En la fase del
paso hacia delante el clculo comienza con la primera capa oculta que presenta el vector de entrada, y
termina con la capa de salida calculando la seal del error para cada neurona de esta capa.

Paso hacia atrs


El paso hacia atrs, por otro lado, comienza en la capa de salida pasando a las seales del error
hacia la izquierda a travs de la red, capa por capa, y recursivamente calculando el gradiente local para
cada neurona. Para una neurona localizada en la capa de salida, es simplemente igual a la seal de error
multiplicada por la primera derivada de la funcin de activacin de esta neurona. El clculo recursivo es
continuado, capa por capa, propagando los cambios para todos los pesos sinpticos de la red.

1.6.2 Algoritmo BP
Las redes neuronales entrenadas por medio del algoritmo BP son poderosas herramientas para
reconocimiento de patrones, memoria asociativa y filtros adaptables [31], pero tambin se ha descubierto
que cualquier tipo de RN puede ser entrenada por este algoritmo y realizar tareas como identificacin y
control, [18],[29], describamos ahora el algoritmo.
La seal de error de la j -sima neurona de salida en la k -sima iteracin es definida por:

eJ (k ) d J (k ) yJ (k )

(1.23)

El error cuadrtico de la j-sima neurona de salida en la k-sima iteracin es e2J(k), el error


cuadrtico total de la salida J(k) est definido por:

27

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

J (k )

Captulo 1

1
eJ2 (k )

2 J C

(1.24)

donde C es el conjunto de todas las neuronas de salida. Sea N el nmero total de iteraciones; el error
medio cuadrtico medio es obtenido sumando todos los J(k) y normalizando con respecto a N, es decir:

J PROM

1
N

J (k )

(1.25)

k 1

JPROM y J(k) son funciones de los pesos de la red. JPROM representa la funcin de costo total, por lo tanto
nuestro objetivo en el aprendizaje es ajustar los pesos tal que JPROM sea mnima. Para el ajuste de los pesos
se utiliza el error instantneo Ec. (1.24), que nos ayudar a crear una correccin que es proporcional al
gradiente descendente de la funcin J(k) .
La figura 1.8 describe la j-sima neurona de una RN alimentada por la seal de salida yi(k) de la
i-sima neurona de la capa anterior. El estado de activacin vJ(k) asociado con la j-sima neurona es
definido en la Ec. (1.21), donde m es el nmero total de entradas, y0= 1 es la entrada al umbral J
aplicado a la neurona j; y wij es el peso de la j-sima neurona de la capa anterior. Por lo tanto, la salida de
la j-sima neurona en la iteracin k es:

y j (k ) f j j (k )

(1.26)

donde f es la funcin de activacin.


j-esima neurona

Y0=

yi(k)

J(k)

wJi(k)

dJ(k)
vJ(k)

yJ(k)
eJ(k)

Figura 1.8 Detalles de una neurona j de la capa de salida.

El mtodo BP aplica la correccin wij(k) a los pesos sinpticos que es proporcional a la derivada
parcial J(k)/wij(k) Ec. (1.18). De acuerdo a la regla de la cadena tenemos:

28

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

J (k )e j (k )y j (k ) j (k )
J (k )

wij (K ) e j (k )y j (k )y j (k )wij (k )

(1.27)

haciendo los clculos pertinentes tenemos que:

e j (k )

J (k )
e j (k )
e j (k )

y j (k )

y j (k )

j (k )

y j (k )

f j j (k )

wij (k )

1
yi (k )

donde f J() es la derivada de la j-sima funcin de activacin con respecto a su argumento.


Por lo tanto:

J (k )
e j (k ) f j j (k ) yi (k )
wij (k )

(1.28)

La correccin wij(k) es definida como, [5]:

wij (k )

J (k )
wij (k )

(1.29)

donde es la tasa de aprendizaje, el signo () es debido a que se desea tener la direccin de mximo
descenso para que el cambio de pesos reduzca el valor de J (k) .
Si J(k) es el gradiente local de la neurona de salida j, tenemos que:

j (k )

J (k )
J (k ) e j (k ) y j (k )

j (k )
e j (k ) y j (k ) j (k )

(1.30)

j (k ) e j (k ) f j j (k )

(1.31)

wij (k ) j (k )yi (k )

(1.32)

entonces

por lo tanto

con lo que la actualizacin de los pesos de la capa de salida est dada por:

wij (k 1) wij (k ) wij (k 1)

(1.33)

29

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

donde es la tasa del trmino momento de aprendizaje que es usado para eliminar oscilaciones en el error.
La figura 1.9 muestra el comportamiento del BP con respecto a las seales que intervienen.

Figura 1.9 Propagacin del error.

Para los pesos de la capa de salida se utiliza la seal deseada y la salida de la red para generar el
error eJ(k) y obtener el gradiente local que nos ayude a actualizar los pesos. Cuando queremos actualizar
los pesos de las capas que no son de salida, el problema radica en que no contamos con una seal deseada,
en consecuencia es imposible generar un error ei(k) y obtener el gradiente local en esa capa, entonces
utilizaremos el error de salida para retro propagarlo y obtener un estimado del error en las capas anteriores
a la salida y as proporcionar un gradiente local que nos de la capacidad de actualizar los pesos de esas
capas. Considere la situacin descrita en la figura 1.10, la cual bosqueja una neurona j como un nodo
oculto en red.
De la ecuacin (1.31) podemos definir el gradiente local i(k) para una neurona oculta i como:

i (k )

J (k ) yi (k )
yi (k ) i (k )

J (k )

f i (k )
yi (k )

(1.34)

donde i(k) es el gradiente de la i-sima neurona; yi(k) es la salida de la isima neurona; vi(k) es el
estado de activacin de la i-sima neurona; fi() es la derivada de la i -sima funcin de activacin con
respecto a su argumento, todos pertenecen a la capa anterior a la de salida en la k-sima iteracin.
De la ecuacin (1.25) se tiene que:

30

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

e
J
e j j
yi jC yi

(1.35)

e
J
e j j i
yi jC i yi

(1.36)

aplicando la regla de la cadena:

tomando las ecuaciones (1.24) y (1.27) se tiene ej = dj - fj (vj) con lo que:

e j
j

f j ( j )

j-esima neurona

i-esima
neurona

i(k)

wij(k)

(1.37)

j(k)
vi(k)

yi(k)

wij(k)

di(k)
vj(k)

yj(k)

Figura 1.10 Grfica de la conexin entre dos neuronas. La i -sima neurona de la capa oculta conectada a la j sima neurona de
la capa de salida.

derivando parcialmente la ecuacin (1.21) con respecto a i y se obtiene:

J
wij
yi

(1.38)

J
e j f j ( j ) wij
yi
j

(1.39)

J
j wij
yi
j

(1.40)

sustituyendo (1.37) y (1.38) en (1.39) se tiene

de (1.32) se sigue:

31

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

sustituyendo en la ecuacin (1.35) se tiene que:

i fi (i ) j wij

(1.41)

que es el gradiente local de una neurona que no es la capa de salida.


Por ltimo se obtiene que la actualizacin de los pesos sinpticos para una neurona que no
pertenece a la capa de salida es:

wli iyl

(1.42)

donde yl es la entrada a la i-sima neurona de la capa que no es de salida y a su vez es la salida de la


l -sima neurona de la capa anterior.
Una restriccin para el uso de este algoritmo es que f () sea una funcin diferenciable, por
ejemplo en el caso de que f (v) = tanh (v) entonces f(v ) = 1 y2 , donde y = f (v) .
A pesar de que el uso del algoritmo BP es bastante difundido a veces, sin embargo, la deduccin
de ste para algunas topologas de redes puede llegar a ser bastante compleja por el clculo de las
numerosas derivadas parciales. En el siguiente apartado se presenta un mtodo grfico ms directo y
sencillo para obtener las expresiones para actualizar los pesos de las redes.

1.7 Mtodo diagramtico y red adjunta, [49]


En varias ocasiones puede resultar muy tedioso o realmente difcil trabajar con redes neuronales
dependientes del tiempo porque pueden requerir numerosas expansiones en cadena y cuidadosas
manipulaciones de los trminos, pues todo ello nos conduce a resultados errneos. Este es un mtodo
alternativo que pretende disminuir todos esos problemas mediante un conjunto de simples reglas de
manipulacin de diagramas de bloques. Este mtodo provee una manera bastante sencilla para derivar
algoritmos tan populares como el back propagation.
El mtodo presentado en este apartado usa la teora de flujos grficos para construir y manipular
diagramas de bloque que representan RN. Esta teora originalmente fue usada en el campo de los circuitos
elctricos, en los 50s. Esta propuesta consiste en representar la red neuronal mediante diagramas de
bloques y construir una red neuronal adjunta, la cual, directamente especifica la derivacin de la frmula
del gradiente.

32

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

En el BP se busca encontrar el conjunto de pesos que minimicen la funcin de costo J , es decir,


encontrar J /wji si tomamos en cuenta que v j (k )

u (k ) entonces:

ji i

J
J d j

w ji j w ji

(1.43)

para fines prcticos redefinimos

J
j

(1.44)

GwNji

j
w ji

(1.45)

donde GwNji es el jacobiano del vector v; entonces:

J
jGwNji
w ji

(1.46)

1.7.1 Representacin en diagramas de bloques de la RN.


Una RN puede ser representada en forma arbitraria como un diagrama de bloques cuyos
elementos esenciales son: sumador, puntos de bifurcacin, funciones univaluadas como los pesos y las
funciones de activacin, funciones multivaluadas y operadores de retardo. Un peso sinptico por ejemplo
puede ser visto como una lnea de transmitancia. La neurona bsica es una simple suma de transmitancias
lineales seguidas por una funcin sigmoidal. La figura 1.11 presenta una descripcin grfica detallada de
las partes de una RN.

x1

Seal

de xi
entrada

xm

wij

Sumador

Funcin de
una variable
(pesos)

Funciones de varias
variables (funciones
de activacin)

yl

Seal
yi de
salida

yn

Figura 1.11 Descripcin grfica de las partes de una red neuronal.

33

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

A partir de esta relacin es fcil representar cualquier RN grficamente, por ejemplo sea la RN de
tres capas descrita por la siguiente ecuacin.

Y (k ) F N 3 (k ) ;

N 3 (k ) W3Z (k )

Z (k ) F N 2 (k ) ;

N 2 (k ) W2X (k )

X (k ) F N 1 (k ) ;

N 1 (k ) WU
1 (k )

(1.47)

donde Y (k ) es la salida; F () es el vector de funciones de activacin f () ; Ni (k) son los estados de


activacin en la neurona de entrada, oculta y de salida; Wi i=1, 2, 3 son las matrices de pesos de la capa
de entrada, oculta y de salida; Z(k ) es el vector de salida de la capa oculta; X(k ) es la salida de la
neurona de capa oculta; U(k ) es el vector de entrada a la RN. La grfica que describe esta RN es la
mostrada en la mostrada en la figura 1.12.

1.7.2 La red adjunta


Dada la representacin grfica de la RN y el objetivo de determinar el gradiente local, es decir la
Ec. (1.45), slo necesitamos aplicar un conjunto de reglas simples para construir la RA y determinar el
gradiente en cuestin.

U1

W1

N1

W2

N2

W3

N3

y1

u2

y1

U3

y3

Figura 1.12 Diagrama de una RN de tres capas.

Reglas para la construccin de la red adjunta


1.- Puntos suma son reemplazados por puntos bifurcacin
xi

wi

yl
xj

yl
wj

34

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

2.- Puntos de bifurcacin son reemplazados por puntos suma


yi

yi

xl

wl

Yj

yj

3.- Funciones de una variable son reemplazadas por sus derivadas


yj

xi

wi

yi

Por ejemplo. Funciones de activacin: yj = tanh (xi). En este caso, f(yj) = 1-x2, si yj = sigm (xi)
entonces f(yj) = xi(1-xi).
4.- Las funciones Multivaluadas son reemplazadas por sus jacobianos.
xj

y0

xj

y0

xi

yq

wj

yq

xn

yp

xn

yp

Casos especiales
- Productos: yj = xixl en cuyo caso GaF x l x i

- Redes neuronales: Una funcin multivaluada puede representar una red multicapa. En este caso,
F
el producto Gxi y puede ser obtenido por retro propagacin de y a travs de la red sin la
F

necesidad de calcularGxi

5.- Operadores de retardo son reemplazados por operadores de avance

6.- Los nodos an=yn salida en la red original se transforman en nodos de entrada en la red adjunta, donde
la entrada es generalmente el error en
ui
uj

Red
original

y0
yq

Red
adjunta

-ej
-ei

35

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 1

Este conjunto de reglas son un elemento importante para la construccin de la Red Adjunta, la
cual propaga la seal e (k ) que corresponde al error de salida generado por la diferencia entre la salida de
la RN y la seal deseada, entonces obtenemos el gradiente j(k) necesario para la adaptacin de los pesos.
En la figura 1.13 se muestra la RA obtenida a partir de las reglas anteriores.
La RN y la RA en base a estas reglas son topolgicamente equivalentes. La justificacin terica de
las reglas est dada en [49]. A modo de ejemplo mostramos la deduccin de la regla BP por este mtodo.
u1

W1

v1
v2

u2

v3

u3

W2

z1
z2

z3

y1

f
f
f

d1

y2

e1

y3

e2

d2
d3

e3
e1

f
f

e2
f
f

f
e3
W2

Figura 1.13 Red Adjunta deducida a partir de la Red Neuronal.

1.7.3 Deduccin del algoritmo BP utilizando el mtodo diagramtico


En la figura 1.14 (a) es mostrada una neurona de capa oculta conectada a otras neuronas y tambin
se muestra una neurona de salida de una red multicapa. Sea vil la funcin de activacin en la i -sima
neurona de la l -sima capa de la RN, 1 l L ; L es el nmero total de capas. El trmino (k ) se omite
por simplicidad.
En la figura 1.8 (b) podemos observar la red adjunta construida a partir de las reglas descritas
anteriormente. Las ecuaciones para el clculo del gradiente local il pueden ahora ser deducidas
inmediatamente a partir de dicha figura.

36

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

ef (li )

il
f (li ) jl 1wijl 1

Captulo 1

l L
1 l L 1

(1.48)

el cual es el trmino deducido matemticamente en la seccin anterior. Como pudimos observar este
mtodo es una alternativa bastante confiable y efectiva para encontrar los gradientes en RN de arquitectura
ms complicada.

(a)

(b)
Figura 1.14 Diagrama representativo de una RN y el esquema de la RA

1.8 Teorema universal de aproximacin


Este teorema nos proporciona la justificacin terica para el uso de RN en la aproximacin de
funciones.

Teorema 1.1: Sea f () una funcin continua, no constante, acotada y montona creciente. Sea
Imo un hipercubo unitario de dimensin mo. El espacio de funciones continuas en Imo es denotado por
C(Imo). Entonces, dada cualquier funcin f C(I

mo

) y > 0 , existe un entero M y conjuntos de

constantes reales i , i y wij donde i = 1,...,m1 y j,...,mo tal que definimos

m0

F (X1 , , X m0 ) i f w ij x j i
i 1
i 1

m1

como una realizacin aproximada de la funcin f () ; esto es,

F (X1 , , X m0 ) f (X1 , , X m0 )
para todo x1, x2,, xmo que yace en el espacio de entradas.

37

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

Captulo 2, [25]
Redes Neuronales Recurrentes
En [29], [34], [46], [47], se describen modelos de RN usados para la prediccin y control de
sistemas dinmicos. Como mencionamos en el captulo anterior, las RN pueden derivarse en dos grupos
tomando en cuenta su estructura, RN feed forward (RNFF) (estticas) y RN recurrentes (RNR). En las RN
estticas su respuesta es independiente del tiempo. En consecuencia, una vez que se han ajustado sus
parmetros, la respuesta a una entrada determinada ser la misma, no importando en que instante la
entrada se presente. Las RN estticas son muy tiles en los problemas de clasificacin de patrones y
aproximacin de funciones porque constituyen aplicaciones no lineales entre el espacio de entradas al
espacio de salidas de las variables involucrada. En teora, se tiene la certeza de que una red neuronal de
conexiones hacia delante con una capa oculta no lineal y una capa de salida lineal puede aproximar
cualquier funcin con el grado de precisin que se desee [18].
Sin embargo, existen problemas que necesitan de un sistema que tenga una respuesta que dependa
de su estado anterior. Y por tanto, requieren de estructuras que tengan una dinmica interna propia. Si la
respuesta de una red neuronal depende de su pasado se dice que es una red neuronal dinmica. Algunas
tareas para este tipo de RN son: la prediccin de series, la identificacin y el control de sistemas
dinmicos. Las RNR se han usado para mejorar el desempeo en problemas de clasificacin que haban
sido resueltos por medio de RN estticas. La ecuacin de las RNR en tiempo continuo es la siguiente:

x f x , u, w 1

(2.1)

y g x, w2

donde x representa el estado de la RN, u la entrada externa, w 1 y w 2 son los parmetros de la red
(pesos), f es una funcin que representa la estructura de la red y g es una funcin que representa la
relacin entre la salida y la entrada.

2.1 Red de Hopfield


La red de Hopfield es una de las redes neuronales dinmicas que ms han sido estudiadas [11],
[18]. Consiste de dos capas, la de entrada y la de Hopfield. Cada nodo de la capa de entrada se conecta
directamente a un solo nodo de la capa de Hopfield. La capa de Hopfield consiste de un conjunto de
neuronas y un conjunto de elementos de retardo que forman un sistema retroalimentado de varios lazos
como se observa en la figura 2.1. La ecuacin que representa la red de Hopfield es la siguiente [12]:

38

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

x j k 1 f v j k
v j k

(2.2)

wijx i k j
i 1

donde f es una funcin de activacin de tipo escaln, x i es el estado de la red, wij son los pesos y j es
el umbral.
En esta red el nmero de lazos de retroalimentacin es igual al nmero de neuronas. La salida de
cada neurona se pondera y retroalimenta a travs de un elemento de retardo a cada una de las neuronas de
la red. La presencia de retroalimentacin en esta red la hace interesante para las aplicaciones de modelado
y control de sistemas dinmicos [6].

Aprendizaje de la red de Hopfield


La red de Hopfield tiene un mecanismo de aprendizaje off-line. Por lo tanto, existe una etapa de
entrenamiento y otra de funcionamiento de la red. En la etapa de aprendizaje se fijan los valores de los
pesos en funcin de las informaciones que se pretenden almacenar en la red, una vez establecidos, la red
entra en funcionamiento.
Esta red utiliza un aprendizaje no supervisado de tipo Hebbiano, de tal forma que el peso de una
conexin entre neurona y neurona se obtiene mediante el producto de los componentes i -simo y

j -simo del vector que representa la informacin o patrn que debe almacenar.
Muchas de las investigaciones acerca de la estabilidad de las redes se basan en el establecimiento
de una funcin, denominada funcin de energa de la red, para representar los posibles estados (puntos de
equilibrio) de la red.
La funcin de energa de una red de Hopfield discreta tiene la siguiente forma:

1 n n

E wij x ix j ix 0
2 i 1 j 1

(2.3)

donde wij es el peso de la conexin entre neurona y neurona, x i entrada de la neurona i , x j entrada de la
neurona j , i es el umbral. Cuando se presenta a la entrada de la red una nueva informacin, esta
evoluciona hasta alcanzar un mnimo de la funcin de energa, generando una salida estable.

39

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

Figura 2.1 RN de Hopfield en tiempo discreto

2.2 Red Neuronal Recurrente Entrenable


Muchos han sido los investigadores que han experimentado con diferentes arquitecturas de redes
neuronales recurrentes (ver [36], [37], [21], [14], [51], entre otros). Por ejemplo la arquitectura WilliamsZipzer [17] permite a cualquier neurona de la red estar conectada a cualquier otra neurona dentro de la
misma red, esto implica que no necesariamente se trata de una red esttica o recurrente. La estructura
Jordan-Elman [14], [21] en cambio, es ms especfica ya que tiene una capa extra de neuronas que toman
las activaciones existentes de la capa de neuronas ocultas y se retardan estos valores por un instante de
tiempo para despus hacer una retroalimentacin introduciendo estos valores como entradas adicionales a
las neuronas de la capa oculta; en esta red se considera la retroalimentacin unitaria, es decir, los pesos de
retroalimentacin no son entrenables. Ambas estructuras, aunque muy generales presentan

algunas

desventajas, entre las ms importantes algunos problemas de estabilidad y lenta convergencia.


En trabajos ms recientes se han superado estas y otras desventajas, por ejemplo en [39] se
presenta detalladamente una estructura para el caso continuo que podra clasificarse como tipo Hopfield
[17], el tipo ms simple de esta estructura es considerndola sin capas ocultas, es decir nicamente con
capas de entrada y salida.

40

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

A continuacin se presenta la estructura de la red neuronal recurrente usada en este trabajo. La


estructura de esta red neuronal se basa en un modelo en variables de estado de un sistema no lineal
discreto. Es una red de estructura hbrida, es decir tiene una parte recurrente y una parte feed forward.
Todos los parmetros de la red son entrenables a travs de un algoritmo de tipo retro propagacin del
error.
En los trabajos [4], [3], se presenta esta Red Neuronal Recurrente Entrenable (RNRE) con algunos
resultados en los problemas de identificacin de sistemas no lineales. Esta RNR est descrita por las
siguientes ecuaciones, ver la figura 2.2

X k 1 AX k BU k ,

(2.4)

Z k f X k ,

(2.5)

Y k f CZ k ,

(2.6)

A block diag Ai ,

(2.7)

A 1

(2.8)

en donde X es el vector de estados de la red; U es el vector de entrada; y Y es el vector de salida;

es un vector auxiliar. Las dimensiones de estos vectores son

, p y , respectivamente. f es

un vector de funciones de activacin.


Entre las posibles opciones para estas funciones se tienen la funcin sigmoide y la funcin
tangente hiperblica. La dimensin de este vector es la apropiada segn sea para la capa interna de la red,
o bien, para la capa de salida; A es una matriz diagonal por bloques. Los bloques corresponden a las
formas de Jordan de dimensin 1 1 y 2 2 ; Ai es el bloque i -simo de A . La propiedad (2.8) es
la condicin de estabilidad de la RNRE indica que los elementos del espectro de A deben estar dentro del
crculo unitario. Esta condicin garantiza la estabilidad en la fase de operacin de la RN. Las matrices B
y C son los pesos de entrada y salida de la RNRE, respectivamente. Notar que este modelo de RNRE es
paramtrico de manera que es til para tareas de identificacin y control de sistemas. En la siguiente
seccin se citan resultados sobre las propiedades de controlabilidad y observabilidad de este modelo de
RNRE.

41

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

-1

-1

-1

Captulo 2

Figura 2.2: Ejemplo de RNRE con tres entradas, tres salidas y tres nodos en la capa oculta.

2.2.1 Propiedad de Observabilidad de la RNRE


Una RN se dice observable si el estado de la red puede ser determinado para un conjunto finito de
entradas/salidas medibles. A continuacin ofrecemos una prueba de la observabilidad local de la RNRE
con la idea de que este procedimiento sea aplicado dentro de la vecindad de un punto de equilibrio de la
red.

Teorema de observabilidad local [24]: Sea la RNRE definida por (2.9) y (2.10), y sea su
versin linealizada alrededor del origen (i.e. punto de equilibrio) definida por las ecuaciones (2.9) y
(2.11). Si el sistema linealizado es observable, entonces la RNRE es localmente observable alrededor del
origen.
Para demostrar este teorema es preciso hacer algunas consideraciones importantes, la primera
como ya se mencion es limitarnos a una vecindad alrededor de un punto de equilibrio de la red. Un estado
de la red X se dice que es un punto de equilibrio de la ecuacin (2.4) si, para una entrada u , se satisface
la condicin:

42

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

AX BU 0
Sin prdida de generalidad, podemos proponer X 0 y U 0 , en otras palabras, el punto de
equilibrio est representado por el origen (0,0).
Tambin sin prdida de generalidad, podemos simplificar el procedimiento limitndonos a el caso
una entrada una salida, es decir un sistema SISO. Podemos reescribir las ecuaciones (2.4), (2.5) y (2.6)
de la siguiente forma:

x k 1 Ax k Bu k

(2.9)

y k f Cf x k

(2.10)

En donde B y C son ahora vectores de dimensin (n 1) y (1 n ) respectivamente, u(k ) es una


entrada escalar y y (k ) es una salida escalar. Puesto que f es continuamente diferenciable para las
funciones sigmoideas de las ecuaciones (1.5) y (1.6), podemos entonces linealizar la salida del sistema
descrita por la ecuacin (2.10) mediante una expansin en series de Taylor alrededor del punto de
equilibrio (0,0).
En general podemos reescribir la ecuacin (2.10) como se muestra a continuacin:

y g (x , u )
entonces linealizando alrededor del estado de equilibrio ps (0, 0) mediante expansin en series de
Taylor tenemos que:

g
g
g(x , u ) g(ps ) x 0 u 0 O
x pS
u pS
donde O representa trminos de orden superior, y como y(ps ) g (ps ) 0 entonces tenemos que la
ecuacin linealizada (despreciando los trminos de orden superior) queda:

g
g
y x u
x pS
u pS
pero como ps es el origen, entonces

x x 0x
u u0u

43

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

quedando la ecuacin linealizada (en notacin matricial) como:

y Cx Du
donde

g
g
C


x1 pS x n pS
g

D
u pS

g 0 por lo tanto la ecuacin

u pS

En nuestro caso, de la ecuacin (2.10) tenemos que


linealizada finalmente queda

y k Cx k

(2.11)

entonces

y k Cx k

y k 1 Cx k 1
CAx k CBu k

y k n 1 CAn 1x k CAn 2Bu k CABu k n 3 CBu k n 2


donde n es la dimensin del espacio de estados.
Entonces podemos afirmar que el sistema dado por (2.4) y (2.11) es observable [24] si
T
M 0 C , CA ,..., CAn 1

es de rango pleno. M 0 es la matriz de observabilidad del sistema (2.4) y (2.11) y como estamos tratando
con sistemas SISO entonces M 0 es de dimensin (n n ) .
Sea un 1 k u k , u k 1 , , u k n 2

una secuencia de entradas de la RNRE,

44

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

entonces

dado

un

estado

inicial

x k ,

u n 1 k

genera

la

Captulo 2

secuencia

de

salidas

yn k y k , y k 1 , , y k n 1 . Y considerando el siguiente mapeo:


T

F un 1 k , x k un 1 k , yn k
donde F : 2n 1 2n 1 . Entonces podemos expresar el Jacobiano de H con respecto a un 1 k y

x k , evaluado en el origen como se muestra a continuacin:

obs
J (0,0)

un 1 k

un 1 k 0,0

un 1 k
x k
0,0

yn k

un 1 k 0,0

yn k

x
k

0,0

(2.12)

Es un sencillo ejercicio verificar que el Jacobiano de yn k con respecto a x k , evaluado en el origen,


es igual a la matriz de observabilidad MO , es decir

yn k
MO

x k 0,0
entonces el Jacobiano de F con respecto a u n y x k evaluado en el origen es:

I S
J obs

0,0
0 M0

(2.13)

donde I es la matriz identidad, 0 es la matriz nula y S no tiene un inters de importancia.

obs
Dado que Det J (0,0)
Det I Det M 0 Det M 0 tenemos que si M 0 es de rango pleno
obs
tambin lo tendr.
J (0,0)

Ahora recordemos el siguiente teorema:

45

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

Teorema de la funcin inversa [48]: Supongamos que h h1, h2 ,..., hn C 1 en un


conjunto abierto Q n , y sea T h Q . Si el determinante jacobiano J a 0 en un punto

a Q , entonces existen dos conjuntos abiertos X Q y Y T y una funcin g unvocamente


determinada tal que:
a) a Q y h a Y
b) Y h X
c) h es uno a uno en X
d) g est definida en Y , g Y X y g h x x , x X
e) g C 1 en Y

obs
Aplicando este teorema al anlisis anterior puesto que Det J (0,0)
Det M 0 0 donde M 0

es la matriz de observabilidad del sistema linealizado, entonces podemos decir que existe localmente un
mapeo inverso definido por:

u k , x k F u k , y k
1

n 1

n 1

Esto quiere decir que en una vecindad del origen, x k es alguna una funcin no lineal de

un 1 k e yn k , y que esa funcin no lineal es un observador de la RNRE. Entonces podemos


establecer formalmente que como el sistema linealizado de la red es observable, entonces la RNRE es
localmente observable dentro de una vecindad alrededor del origen [24].

2.2.2 Propiedad de Controlabilidad de la RNRE


Se dice que un sistema es controlable si desde cualquier estado inicial es posible alcanzar a
cualquier otro punto en el espacio de estados completo por medio de una entrada adecuada u . Aqu
nos referimos a controlabilidad local en una vecindad del punto de equilibrio. Supongamos sin prdida de
generalidad que el origen es un estado de equilibrio, adems, que la red es una RN con una entrada y una
salida (SISO).
De la ecuacin (2.4) tenemos que:

x k 1 Ax k Bu k

46

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

entonces

x k 1 Ax k Bu k

x k 2 Ax k 1 Bu k 1 A Ax k Bu k Bu k 1

x k n An Bx n An 1Bu k n 1 ... ABu k 1 Bu k


donde n es la dimensin del espacio de estados.
Entonces podemos afirmar que el sistema (2.4) es controlable [24], si la matriz de controlabilidad

MC An 1B,..., AB, B
es de rango n (es decir de rango pleno).

2.2.3 Aprendizaje de la RNRE


La ley de aprendizaje o regla ajuste de los pesos para la red neuronal recurrente, que se describe
por las ecuaciones (2.4) a (2.7), se obtiene por medio de retro propagacin del error de salida (ver seccin
(1.6.2). El procedimiento consiste en obtener los gradientes de cada nodo de la red y despus aplicar el
algoritmo optimizacin por gradiente descendente para actualizar los pesos.
Sin embargo con el objetivo de disminuir la complejidad de este procedimiento utilizaremos la
herramienta del mtodo diagramtico y la red adjunta descrito en la seccin (1.7).
El objetivo de la ley de aprendizaje es minimizar la suma de los cuadrados del error de salida:

E (k )

1 p 2
ei (k ),
2 i 1

en donde ei (k ) yid (k ) yi (k ), yid (k ) es el valor deseado en la i -sima salida de la RNRE.


La actualizacin de los pesos de la RNRE se lleva a cabo por medio de la ecuacin:

w (k 1) w (k ) w (k )

(2.14)

en la que

47

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

wij (k ) wij (k 1) wij (k )


en donde wij (k ) representa un peso de la RNRE;

E (k )
wij (k )

E (k )
,
wij (k )

Captulo 2

(2.15)

es el gradiente del ndice de desempeo de la red

con respecto al peso wij que se va a ajustar; es la tasa de ajuste.


La ley de ajuste de los pesos de la red (2.15) actualiza el valor del peso en la direccin del mayor
descenso de la funcin de costo, esperando que al seguir este camino se alcance el punto en donde el peso
define un mnimo global para esta funcin. Sin embargo, este algoritmo tiene algunos problemas: durante
la actualizacin del peso puede caer en un mnimo local y estacionarse all y, por tanto, no alcanzar el
punto mnimo global de la funcin; la lentitud de este algoritmo es otro problema, esto debido a que el
peso puede estar en una zona plana del gradiente, aqu las iteraciones del algoritmo implican slo un
cambio pequeo del peso; otro defecto se produce en sistemas con poco amortiguamiento, al llegar a un
punto mnimo (local o global) el algoritmo tiende a oscilar alrededor de este. Una forma sencilla para
reducir estos efectos se logra con la ayuda de un trmino adicional a la ecuacin (2.15) que le aade
amortiguamiento, se llama trmino momento [35]. La regla de ajuste de los pesos con este trmino es:

wij (k ) wij (k 1) wij (k )

E (k )
wij (k 1),
wij (k )

(2.16)

en donde es la tasa para el trmino momento. A la ecuacin (2.16) se le conoce como regla delta
generalizada.
En [15] se da la siguiente explicacin del trmino momento. Si la regla delta generalizada se
desarrolla como una serie para k 0,..., n, se obtiene una ecuacin de diferencias de primer orden para

wij (k ) , esto es:


k 0; wij 0

E 0
,
wij 0

k 1; wij 1

E 1
E 1
E 0
wij 0

,
wij 1
wij 1
wij 0

k 2; wij 1

E 2
E 2
E 1
E 0
wij 1

2
,
wij 2
wij 2

w
1

w
0

ij
ij

48

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

k n;

E n
E n 1
E 0

k n; wij (n )

n
wij n
wij n 1
wij 0

n r
r 0

E (r )
,
wij (r )

entonces la expresin para el cambio de peso, wij (n ) es una serie exponencial. Un requisito para la
convergencia es que el parmetro este entre los lmites:

0 a 1

(2.17)

si a se le da un valor entre los lmites (2.17), entonces se considera a la ecuacin (2.16) como un
algoritmo de ajuste con tasa, o coeficiente, de aprendizaje variable. Si se toma a

E (r )
1
wij (r )

para toda r , la

ganancia final del algoritmo es:

lim wij (r )

(2.18)

lo cual implica que si el algoritmo (2.16) est en una zona en donde

E (r )
wij (r )

tiene un valor pequeo durante

varias iteraciones, la ganancia del algoritmo se incrementa exponencialmente hasta la ganancia


lmite (2.18), esto acelera la variacin de la ganancia para salir de tal situacin, aumentando as su
velocidad. Sobre el lmite de la ganancia, notar que si el valor de se toma de la forma:

1 ,

(2.19)

la ganancia final ser 1, por esta razn la condicin (2.19) es una regla para definir el valor de .
El trmino momento tambin ayuda a reducir el efecto que ocurre cuando
de manera alternada. Si se define a

E (k )
A(k ),
wij (k )

E (r )
wij (r )

cambia de signo

y se obtiene la transformada Z de la ecuacin (2.21), se

tiene:

Wij (z )
A(z )

z
,
z

(2.20)

49

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

es decir que la variacin del peso Wij (z ) y el gradiente de la funcin de costo, A(z ) , presenta un
comportamiento de un filtro pasa-bajos, lo cual significa que si el gradiente de la funcin de costo cambia
de forma alternada de signo, entre ms rpido sea este cambio, menor es el efecto sobre la variacin del
peso, amortiguando de esta forma las oscilaciones alrededor de un punto mnimo.
De lo anterior se concluye que el trmino momento (2.16) es til para acelerar el aprendizaje y
estabilizar el comportamiento de la regla delta (2.15).
Ahora bien, la actualizacin de los pesos en cada una de las capas de la RNRE puede ser obtenida
siguiendo el diagrama a bloques de la red adjunta de la RNRE (ver figura 2.3), construida utilizando el
mtodo diagramtico [49] revisado en el captulo anterior.

-1

(a)

+1

(b)
Figura 2.3 (a) Diagrama a bloques de una RNRE. (b) Diagrama a bloques de la red adjunta de una RNRE

Definamos la

n matriz diagonal jacobiana: fy k diag fi y k ; i 1,..., l .

Por lo que el l 1 vector del error de salida amplificado es dado por la siguiente ecuacin:

50

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

e1 k fy k e k

Captulo 2

(2.21)

y la actualizacin de los pesos de la matriz de salida es:

C e1 k z T k

(2.22)

la actualizacin de los pesos de los elementos de la matriz de pesos de la capa oculta, para el modelo en
tiempo discreto de la RNRE, es realizado de la siguiente manera, [35]:

aij C ie k fi z k x j k

(2.23)

bij C ie k fiz k u j k

(2.24)

donde aij es la actualizacin del peso ij -simo elemento de la matriz general de pesos A bajo
aprendizaje; C i es el i -simo vector rengln, tomado de la matriz transpuesta C T ; e k es el vector
del error de salida amplificado; fi z k es el i -simo elemento del vector de la primera derivada de la
funcin de activacin, el cual es expresado como funcin del vector de salida de la primera capa oculta

z k ; x j k es el j -simo elemento del vector de estado x k ; bij es la actualizacin del peso del
ij -simo elemento de la matriz de aprendizaje B ; u j k es el i -simo elemento del vector de entrada
u k . La forma matricial de estas dos ecuaciones puede ser obtenida introduciendo algunas matrices y
vectores auxiliares como a continuacin se muestra.
Definiendo el n 1 vector de error, el cual aparece en la salida de la capa oculta, como:

e2 k C Te1 k

(2.25)

definiendo tambin la n n matriz diagonal jacobiana:

f z k diag fi z i k , i 1,..., n

(2.26)

por lo que el n 1 vector de error de salida transformado es dado por la siguiente ecuacin:

e3 k e2 k f z k

(2.27)

y la matriz de correccin de pesos de la matriz general de pesos A es:

51

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

A e3 k x T k

(2.28)

Si la matriz A es una matriz diagonal, A diag Aii ; i 1,..., n; Aii 1 (condicin de


estabilidad impuesta), y la diagonal de esta matriz es un n 1 vector, denotado por vA , entonces la
actualizacin de los pesos de este vector es la siguiente:

vA e3 k x k

(2.29)

la operacin se define como el producto de cada uno de los elementos de igual ndice k para formar
un nuevo elemento con el mismo ndice k en el vector resultado. Ambos vectores deben tener la misma
dimensin n 1
La actualizacin de la n m matriz de pesos de entrada B , es la siguiente:

B e 3 k u T k

(2.30)

2.2.4 Estabilidad de la RNRE [30]


Es muy importante y fundamental el concepto de estabilidad en cuanto a RNRs se refiere. La
prueba de estabilidad que se presenta a continuacin es en el sentido de Lyapunov. Sea la RNRE descrita
por las ecuaciones (2.4), (2.5) y (2.6);
X k 1 AX k BU k ,
Z k f X k ,
Y k f CZ k ,

y considere la planta no lineal descrita por las siguientes ecuaciones [29]:

x k 1 g (x k , uk )

(2.31)

yk h(x k , uk )

(2.32)

Las funciones no lineales de la planta y las funciones de activacin de la RNRE cumplen con las
siguientes consideraciones:

52

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

Suposicin 1. La planta dinmica es localmente Lipschitz, entonces las funciones g , h son tales
que

(2.33)

(2.34)

g : g g g, g g 0 g1 x k
h : h h h, h h0 h1 x k

Suposicin 2. Las funciones de activacin f de la RNRE tienen la siguiente aproximacin en


series de Taylor

f ( ) f ( )

f ( )

(2.35)

L

2

(2.36)

con el trmino es acotado por

el error de aproximacin es definido como

ek yk yk

(2.37)

ek 1 yk 1 yk 1 f (C k xk ) f (Cx k ) h (x k , uk )

(2.38)

ahora definamos el error de estimacin del estado como

k xk x k

(2.39)

k 1 xk 1 x k 1 f (Ak xk Bk uk ) f (Ax k Buk ) g (x k , uk )

(2.40)

entonces el error de aproximacin y el error de estimacin de estado son acotados.


Si se cumplen las condiciones anteriores, el algoritmo para la actualizacin de los pesos de la
RNRE est dado por las ecuaciones (2.14) y (2.16), y reescribindolas de la siguiente manera tenemos:

Wk 1 Wk Wk Wk 1

(2.41)

53

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

Definamos una funcin candidata de Lyapunov

Lk Ak

Bk

2
Ck ;

Lk 1 Ak 1

Bk 1

Ck 1

(2.42)

Si el algoritmo de aprendizaje para la actualizacin de los pesos est dado por (2.41) entonces
tenemos que:

Lk 1 A k

2 Ak

2
2 Ak 1 2 tr A k Ak

B k

2 Bk

2
2 Bk 1 2 tr B k Bk

C k

2 C k

2
2 Ck 1 2 tr C k Ck

2
2 tr A k Ak 1 2 tr Ak 1Ak

2
2 tr B k Bk 1 2 tr Bk 1Bk
2

2
2 tr C k Ck 1 2 tr Ck 1Ck

(2.43)
2

considerando las leyes de actualizacin de las matrices A , B y C dadas por las ecuaciones (2.22),
(2.28) y (2.30) tenemos que:
2
2
2
2
2
2
Lk 1 Lk 2 ek3 xkT ek3 ukT ek1 zkT k2 ek 13 xkT1 ek 13 ukT1 ek 11 zkT1

2 tr A k ek3 xkT B k ek3 ukT C k ek1 zkT 2 k tr Ak ek 13 xkT1 Bk ek 13 ukT1 C k ek 11 zkT1


(2.44)

2 tr ek 13 xkT1ek3 xkT ek 13 ukT1ek3 ukT ek 11 zkT1ek1 zkT

Ahora debido a la definicin de error dada en las ecuaciones (2.37) y (2.38), sacando a ste como
trmino comn, usando propiedades de la traza y utilizando una propiedad de desigualdad establecida en
[39], pueden ser obtenidas las siguientes sentencias:
2

Lk (( f (zk )CkT f (yk )xkT f (zk )CkT f (yk )ukT f (yk )zkT 2max (3) 2max (51) 2) ek )
2

(( f (zk1)CkT1 f (yk1)xkT1 f (zk1)CkT1 f (yk1)ukT1 f (yk1)zkT1 2max (31) 2max (5) 2) ek1 ) d
2

Lk ek ek 1 d

(2.45)

Donde las dinmicas no modeladas, perturbaciones, errores de aproximacin estn representados


por el trmino d como se muestra a continuacin:

d : 2 2 k ek

2
6

k 1ek 1

2
61

2 k 1ek 1

2
3

k2 k ek

2
4

2
11

k 1

2
2 1

(2.46)

54

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 2

La ecuacin (2.45) nos permite establecer el siguiente teorema, cuya demostracin se ha


presentado:

Teorema de estabilidad [30]: Sea la RNRE con una estructura cannica de Jordan, [59],
descrita por las ecuaciones (2.4), (2.5), (2.6) y (2.7); y el modelo de la planta no lineal dado por las
ecuaciones (2.31) y (2.32). Y aplicando el algoritmo BP para la actualizacin de las matrices de pesos

Ak , Bk y C k dado por la ecuacin (2.41), con parmetros de aprendizaje y derivados utilizando la


siguiente funcin de Lyapunov (ecuacin (2.42))

~ 2 ~ 2 ~
Lk Jk Bk Ck

Entonces el error de identificacin es Acotado.


2

Lk ek ek 1 d
donde los parmetros de aprendizaje y son acotados como se muestra a continuacin:

0 1; 0 1

55

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

Captulo 3, [25]
Identificacin y control de sistemas utilizando RN
3.1 Identificacin de sistemas utilizando RN
Para realizar el control Mediante una Red Neuronal es necesario construir un modelo matemtico
en el espacio de estados de la planta a controlar para, posteriormente, hacer una identificacin paramtrica
y utilizar estos resultados en el diseo del controlador. La identificacin del sistema es un proceso
fundamental previo al control del o los procesos que se lleven a cabo por la planta, ya que nos permite
obtener informacin medular del comportamiento del sistema, el cual, hasta antes de la identificacin
aparece ante nosotros como una caja negra. El objetivo de la identificacin es conocer los estados y
parmetros de la estructura de la planta, as como obtener un modelo que tenga un comportamiento
aproximado a esta.
El uso de las redes neuronales para la identificacin de sistemas se ha extendido de manera
importante debido a que permiten aproximar una gran variedad de clases de funciones no lineales con
suficiente precisin, haciendo de ellas las principales candidatas para utilizarse en modelos dinmicos,
para la representacin de plantas no lineales.

3.1.1 Identificacin de sistemas


La caracterizacin e identificacin son problemas fundamentales en la teora de sistemas. El
problema de caracterizacin consiste en la representacin matemtica de un sistema; el modelo de un
sistema es expresado como un operador P de un espacio de entrada U a un espacio de salida Y y el
objetivo es caracterizar la clase P a la cual P pertenece. Dada la clase P y el hecho que P P , el
problema de identificacin es determinar la clase P P tal que P aproxime a P en algn sentido
deseado.

56

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

El problema de reconocimiento de patrones es un ejemplo tpico de identificacin de sistemas


estticos. En estos problemas, conjuntos compactos U i R n son mapeados a elementos yi R m ;

i 1,2,..., en el espacio de salida por una funcin de decisin P . Los elementos de U i denotan los
vectores de patrones correspondientes a la clase yi . En sistemas dinmicos, el operador P , que representa
a una planta dada, es definido implcitamente por el par de entrada-salida de las funciones del tiempo u(t ) ,

y(t ) , t [0,T ) . En ambos casos el objetivo es determinar P tal que

y y P (u ) P(u ) , u U

(3.1)

para algn 0 deseado y con una norma apropiadamente definida en el espacio de salida (denotada

).

En la ecuacin (3.1) P(u ) y denota la salida del modelo de identificacin de ah que

y y e , donde e es el error de salida generado por P y la salida observada y .


En el campo de los sistemas lineales invariantes en el tiempo con parmetros desconocidos la
obtencin de modelos de identificacin ha sido bastante bien estudiada, por ejemplo:
Sea

x k 1 A(k ) Bu(k )

(3.2)

y k Cx (k )

una planta SISO controlable y observable, la matriz A y los vectores B y C pueden ser elegidos de tal
forma que la ecuacin (3.2), puede ser escrita como:
n 1

m 1

i 0

j 0

y p k 1 iy k i j u k j

(3.3)

donde i y j son parmetros constantes desconocidos. Esto implica que la salida al tiempo k 1 es
una combinacin de sus entradas y salidas pasadas.
La ecuacin (3.3) motiva la construccin de los siguientes modelos de identificacin, [29]:

57

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

Modelo Paralelo
La salida de este modelo al tiempo k 1 es una combinacin lineal de sus entradas y salidas
pasadas como se muestra a continuacin:
n 1

m 1

i 0

j 0

yk 1 i (k )yk i j (k )u k j

(3.4)

donde i , i 0,1,..., n 1 y j , j 0,1,..., m 1 son parmetros ajustables.

Modelo Serie-Paralelo
La salida de este modelo al tiempo k 1 es una combinacin lineal de sus entradas y salidas
pasadas de la planta como se muestra a continuacin:
n 1

m 1

i 0

j 0

yk 1 i (k )y k i j (k )u k j

(3.5)

donde i , i 0,1,..., n 1 y j , j 0,1,..., m 1 son parmetros ajustables.

3.1.2 Identificacin con Redes Neuronales


Ha sido extensa la aplicacin de las redes neuronales en el campo de la identificacin gracias a su
capacidad en la aproximacin de funciones, [6], [11], [13], [20], [29], [10], entre muchos otros.
En [29] son presentadas cuatro estructuras de sistemas no lineales bsicas, las cuales son descritas
a continuacin, aunque se han dado para sistemas SISO es posible generalizar para el caso multivariable.

Modelo I:
y k 1

n 1

y k i g u k , u k 1 ,..., u k m 1
i 0

Modelo II:
m 1

y k 1 f y k , y k 1 ,..., y k n 1 iu k i
i 0

58

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

Modelo III:

y k 1 f y k , y k 1 ,..., y k n 1 g u k , u k 1 ,..., u k m 1
Modelo IV:

y k 1 f y k , y k 1 ,..., y k n 1 ; u k 1 ,..., u k m 1
donde u k y y k representan la entrada y salida de la plantas SISO al tiempo k , y m n . En la
figura 3.1 se muestran el conjunto de modelos. Las funciones f : n en los modelos I y II y

f : n m en IV, as como g : m en I y III son asumidas a ser funciones diferenciables en


sus argumentos. En los cuatro modelos, la salida de la planta al tiempo k 1 depende de sus entradas y
salidas pasadas. La dependencia de y k i , i 0,1,..., n 1 es lineal para el modelo I, mientras que
en el modelo II la dependencia lineal es con respecto u k j , j 0,1,..., m 1 . En el modelo III la
dependencia no lineal con respecto a y k i y u k i es separable. En el modelo IV se tiene
tambin una dependencia no lineal con respecto a y k i y u k i , y se considera como una
subsuma de los modelos I-III. Si una planta no lineal no puede ser descrita por la ecuacin (3.2) y es
observable, entonces esta puede ser representada por alguno de los modelos. A pesar de ser ms general el
modelo IV es analticamente menos tratable y por lo tanto para aplicaciones prcticas es preferible
cualquiera de los otros modelos.
Tomando estos modelos como referencia se puede hacer identificacin utilizando RN. Supngase
desconocidas las funciones f y g entonces una RN es aplicada para identificar las funciones dadas. Es
posible que una sola RN sea capaz de identificar las dos funciones, en otras palabras, empleando una RN
con mltiples entradas y mltiples salidas. Ms adelante se mostrar mediante resultados en simulacin la
prueba de esta afirmacin. En base a lo anterior los modelos de identificacin I-IV son representados de la
siguiente forma:

Modelo IRN:
y k 1

n 1

y k i N u k , u k 1 ,..., u k m 1
i 0

59

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

Modelo IIRN:
m 1

y k 1 N y k , y k 1 ,..., y k n 1 iu k i
i 0

Modelo IIIRN:

y k 1 N 1 y k , y k 1 ,..., y k n 1 N 2 u k , u k 1 ,..., u k m 1
Modelo IVRN:

y k 1 N y k , y k 1 ,..., y k n 1 ; u k , u k 1 , u k m 1
donde N , N 1 y N 2 representan RN.

(a)

(c)

(b)

(d)

Figura 3.1 Modelos de Identificacin. (a) Modelo I. (b) Modelo II. (c) Modelo III. (d) Modelo IV.

60

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

Estos modelos IRN-IVRN representados en esta forma asumen que las respectivas RN son del
tipo RNFF como el PMC, sin embargo tambin es posible utilizar RNR en lugar de stas. Las estructuras
anteriormente mostradas son tiles para una clase de sistemas bien definidos, en los cuales, se tiene cierto
conocimiento de su estructura, lo cual, hace limitado su uso, especialmente, en sistemas no lineales.

3.1.3 Identificacin con Redes Neuronales Recurrentes


Existen diferentes arquitecturas y procedimientos para identificar sistemas utilizando redes
neuronales recurrentes. Trabajos como [20], [44], [45] distinguen la gran aplicabilidad de las RNR en
tareas de identificacin, sin embargo, experimentan ciertas limitaciones como lo es el conocimiento del
orden del sistema, o como en [46] en donde se muestra una RNR que es capaz de identificar con un
esquema paralelo, pero no genera sus estados. La RNRE adems de ser capaz de generar su propio estado,
el cual es retroalimentado, no est sujeta a consideraciones del orden del sistema. El procedimiento que
utilizamos para entrenar una red neuronal con la finalidad de representar la dinmica de una planta se
conoce como modelado directo, el cual se ilustra en la figura 3.1. En este esquema de identificacin la red
neuronal se conecta en paralelo con la planta y el error de identificacin e , el cual, se forma con la
diferencia que existe entre la salida real y la salida estimada, es decir Eki Y Y . Este error de
identificacin es el que se utiliza para alimentar al algoritmo de aprendizaje de la red neuronal para
actualizar los pesos, esto con la finalidad de que y se aproxime a y p .
Perturbaciones

Planta

RNR

Algoritmo de
Aprendizaje
Figura 3.2 Identificacin dinmica de una planta.

61

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

Esta es una estructura de aprendizaje supervisado clsica en donde el tutor, en este caso la planta,
proporciona los valores deseados directamente en el sistema coordenado de la red neuronal.

3.2 Control de un motor utilizando RNRE


En esta seccin de la tesis se abordarn los fundamentos bsicos del control de sistemas utilizando
RNRE, los tipos de control que existen en esta modalidad, topologas y ejemplos de su desempeo.
El uso de Redes neuronales en el control de sistemas no es novedoso [2], [3], [18]; sin embargo,
su implementacin no es tan popular en aplicaciones industriales, debido a que el controlador clsico PID
ha respondido con eficacia a la mayora de stas. A pesar de ello las RN han demostrado un desempeo
sobresaliente en el control de ciertos sistemas particulares, como por ejemplo los sistemas MIMO. En esta
ocasin, se har la comparacin entre controladores clsicos y neuronales para un motor.

3.2.1 Sistemas de control


La teora de control trata del anlisis y sntesis de sistemas dinmicos en el cual una o ms variables
cumplen ciertas condiciones. Sea el sistema no lineal

x k 1 x k , u k

(3.6)

y k x k
donde : n m n y : n son funciones suaves que se asumen conocidas. El problema
de control es disear un controlador que genere una seal de control u k basado en toda la informacin
disponible al instante k . En el campo de los sistemas lineales existe un vasto conocimiento en tcnicas de
control, sin embargo, para sistemas no lineales esto no es as.
Un problema muy comn en Control Automtico es proporcionar una entrada de control correcta
de tal forma que una planta no lineal sea llevada de un estado inicial x o hasta un estado final o deseado

x d . La forma en que usualmente se resuelve el problema es linealizando la planta alrededor de un cierto


nmero de puntos de operacin, construir un modelo lineal de espacio de estados en esos puntos de
operacin y entonces construir un controlador, pero para plantas no lineales es requerido un esfuerzo
computacional importante.

62

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

3.2.1.1

Captulo 3

Sistemas de control en el espacio de estados


En la teora de control clsico, solo se consideran importantes las seales de entrada, de salida y

de error; el anlisis y diseo se efectan utilizando funciones de transferencia junto con una serie de
tcnicas grficas como los diagramas de lugar de las races y de bode [32].
La desventaja principal de la teora de control convencional, es que en general, solo se aplica a
sistemas lineales invariantes en el tiempo, con una entrada una salida. A veces resulta intil para sistemas
variantes en el tiempo, sistemas no lineales y sistemas MIMO. Entonces las tcnicas convencionales, no
tienen aplicacin en sistemas de control ptimo o adaptable, que en su mayora son variantes en el tiempo
y/o no lineales.
En el mtodo de espacio de estados se pueden disear sistemas con los polos en lazo cerrado
deseados. O sistemas de control ptimos respecto a ndices de desempeo determinados e incluir
condiciones iniciales en caso de que sean necesarias, no obstante se requiere una descripcin matemtica
precisa de la dinmica del sistema en contraste con los mtodos convencionales donde, por ejemplo, las
curvas experimentales de respuesta en frecuencia que no tiene exactitud suficiente, se puede incorporar al
diseo sin sus descripciones matemticas.
3.2.1.2

Sistemas de control adaptable


Uno de los mtodos de control ms usados en el espacio de estados es el control adaptable ya que

es un mtodo verstil ante situaciones de cambio en los parmetros de la planta y/o desconocimiento de
los mismos.
Considere primero el caso cuando los parmetros del modelo dinmico de la planta son
desconocidos pero constantes. En tal caso, mientras la estructura del controlador puede no depender en
general de los parmetros de la planta, el correcto ajuste del controlador no puede ser hecho sin el
conocimiento de tales valores. Las tcnicas de control adaptable [1], [23], [26], [42], proveen un
procedimiento de sintonizacin en lazo cerrado para los parmetros del controlador. En tales casos el
efecto de la adaptacin desaparece con el tiempo, y cambios en la operacin provoca un nuevo comienzo
en el proceso de adaptacin.
Considera ahora el caso en el que los parmetros del modelo de la planta cambian aleatoriamente
en el tiempo. Esto ocurre porque las condiciones ambientales cambian o porque hemos considerado
modelos lineales de sistemas no lineales. Estas situaciones tambin ocurren cuando los parmetros del
sistema varan lentamente. El control adaptable es considerado cuando un gran cambio, del que no se tiene
conocimiento, en los parmetros de la planta, ocurre de modo que se tenga un nivel de desempeo

63

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

aceptable del controlador y ste se mantenga. En tales casos la adaptacin puede ser continua.
El desconocimiento y variaciones no medidas de los parmetros del proceso degradan el
desempeo de sistema de control. Similarmente a las perturbaciones actuando sobre las variables de
control, uno puede considerar que las variaciones en los parmetros del proceso son causadas por
perturbaciones actuando sobre los parmetros. Estas perturbaciones en los parmetros pueden afectar el
desempeo del sistema de control.
Perturbacion
es
Referencia

Control
Adaptable

Planta

Mecanismo
de
Adaptacin
Figura 3.3: Esquema bsico de un sistema de control adaptable.

Asociado a la figura 3.3 podemos considerar la siguiente definicin de sistema de control


adaptable, donde el mecanismo de adaptacin en un algoritmo que calcula los componentes del gradiente
de la funcin de costo con respecto a los parmetros de ajuste.

Definicin 3.2.1: Un control adaptable mide un cierto ndice de desempeo del sistema de
control usando las entradas, los estados las salidas y las perturbaciones conocidas. De la comparacin
del ndice de desempeo medido con otro deseado, el mecanismo de adaptacin modifica los parmetros
del controlador ajustable y/o genera un control auxiliar tal que mantenga el ndice de desempeo medido
cercano del deseado.
Mientras el control por retroalimentacin convencional es orientado primeramente a la
eliminacin de los efectos de las perturbaciones sobre las variables de control, el control adaptable es
orientado hacia la eliminacin de los efectos sobre el desempeo del sistema de control cuando existen
variaciones de los parmetros de la planta. Un controlador adaptable puede ser interpretado como un
control por retroalimentacin donde la variable de control es el ndice de desempeo.
El control adaptable se fundamenta en la siguiente hiptesis: Para cualesquiera valores posibles
de los parmetros del modelo de una planta existe un controlador con una estructura fija y complejidad
tal, que el desempeo especificado puede ser alcanzado con valores apropiados en los parmetros de
control [23]. As pues, para sistemas discretos as como para sistemas continuos, lineales ambos, leyes de

64

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

control estables pueden ser determinadas si est disponible informacin concerniente a la funcin de
transferencia de la planta. En el caso de sistemas no lineales es necesario ver que el controlador tiene los
grados de libertad necesarios para alcanzar el objetivo deseado, es decir, primero mostrar que existe para
cada valor de parmetros de la planta la matriz de parmetros ptimos del controlador, y segundo
determinar leyes de control estables que ajusten a los parmetros del controlador conforme el error de
control tiende a cero [29].
Como vemos la forma en que los parmetros del controlador se adapten es de vital importancia, en
la figura 3.3 el mecanismo de adaptacin es relativo a este aspecto. Un mtodo usado para este propsito
se basa en la teora del gradiente descendente, igual que la regla delta utilizada para actualizar los pesos de
una RN se busca minimizar un ndice de desempeo, esto es, si el error e es el generado por la diferencia
entre la seal de referencia yd y a salida de la planta y , e yd y y los parmetros del controlador,
el ndice de desempeo o funcin de costo es

1
2

e 2

(3.7)

Buscamos reducir al mximo este criterio, para esto modificamos los en direccin negativa al
gradiente de , esto es que

(3.8)

que es igual a la forma en que adaptamos los pesos de la RN con el BP, es llamada constante de
entrenamiento. Esta representa la forma ms sencilla e adaptar los parmetros, pero existen otros mtodos
ms complicados como es el caso del uso de la funcin de Lyapunov [38], [43].
As pues la ecuacin que describe un control adaptable en tiempo discreto es la siguiente:

u k 1, 2,..., n , r k

i k 1 i k

(3.9)

(3.10)

donde : n 1 m es una funcin lineal y i son los parmetros del controlador.


Segn Astrom [1], este esquema de control proporciona ciertas ventajas como:

No es necesario conocer exactamente el modelo del sistema.

Puede ser aplicado a sistemas no lineales.

La adaptacin es buena si es pequea.

65

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

Existen cuatro diferentes formas en que se implementa el control adaptable, estas son: I) Control
Adaptable en Lazo Abierto [42], II) Control Adaptable Directo, III) Control Adaptable Indirecto [29] y
IV) Control Adaptable con Modelo Interno [29], [27]. En este captulo abordaremos nicamente el
Control Adaptable Directo pues es el que se aplicar para nuestro sistema.

3.2.1.3

Control adaptable directo


En el control adaptable directo, los parmetros del controlador son ajustados directamente para

reducir cierto ndice de desempeo. En muchos casos, el desempeo deseado del control adaptable directo
puede ser especificado en trminos de las caractersticas de un sistema dinmico el cual es una realizacin
de la conducta deseada del sistema en lazo cerrado. En estos casos, el controlador es diseado tal que para
un modelo de una planta dada, el sistema en lazo cerrado tiene las caractersticas de la dinmica buscada
del sistema.
Establecido lo anterior, el diseo de un control adaptable directo puede ser equivalentemente
formulado como en la figura 3.4. El modelo de referencia de esta figura es una realizacin del sistema con
desempeo deseado. La construccin del control es ahora hecho de tal forma que:
1. El error entre la salida de la planta y la del modelo de referencia sean idnticamente cero para
condiciones iniciales iguales.
2. Un error inicial debe desaparecer con una cierta dinmica.
Entonces cuando los parmetros de la planta son desconocidos o cambian con el tiempo, de modo que
se alcance o se mantenga un desempeo dado, se debe tomar en cuenta un esquema de Control Adaptable
Directo por Modelo de Referencia y es mostrado en la figura 3.4 [18], [23], [29].
Modelo de
Referencia

Referencia

Control
Adaptable

Planta

Mecanismo de
Adaptacin

Figura 3.4 Esquema de Control Adaptable Directo por Modelo de Referencia.

Este esquema es basado en la observacin de que el error de la planta y el modelo de referencia es


una medicin de la diferencia entre el desempeo real y el deseado. Esta informacin es usada por el

66

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

mecanismo de adaptacin para directamente ajustar los parmetros del controlador en tiempo real de tal
forma que el error entre la planta y el modelo de referencia tienda a cero.
La ecuacin que describe el Control Adaptable Directo en tiempo discreto, cuando la adaptacin
es realizada utilizando la regla delta es:

u k 1, 2,..., n , r k

i k i k

(3.11)
(3.12)

donde u es la seal de control, es una funcin no lineal, son los parmetros del controlador, r es la
seal de referencia, e es el error generado por la diferencia entre la salida de la planta y la seal de
referencia, es el ndice de desempeo y es la constante de entrenamiento. Ntese que las ecuaciones
3.11 y 3.12 son similares a las ecuaciones 3.9 y 3.10, esto se debe a que el control adaptable directo es el
esquema de control adaptable ms usado.
A pesar de su elegancia, el uso del control adaptable directo es limitado por la hiptesis relativa al
subyacente diseo lineal en el caso de parmetros conocidos. Mientras el desempeo en muchos casos
puede ser especificado en trminos de un modelo de referencia, las condiciones para la existencia de un
posible control permitiendo que el modelo de referencia acte en lazo cerrado son restrictivas. Una de las
limitaciones bsicas es la suposicin de tener el modelo de la planta ceros estables en todos los casos, el
cual en tiempo discreto es bastante restrictivo, [23].
3.2.2

Control adaptable usando redes neuronales recurrentes entrenables


Por definicin un esquema de control que use redes neuronales es un control adaptable, ya que la

red neuronal siempre ajusta sus pesos tratando de minimizar un cierto ndice de desempeo. En contraste
con los sistemas lineales para los que existe una extensa teora sobre control adaptable [28], muy poco se
ha investigado respecto al control adaptable de sistemas no lineales. Recientemente las redes neuronales se
han dado a conocer como unas poderosas herramientas en el aprendizaje de la dinmica de sistemas no
lineales. Debido a su paralelismo masivo, rpida adaptacin e inherente capacidad de aproximacin, [15],
las RN han concentrado a un gran nmero de cientficos e investigadores, especialmente en el rea de
identificacin y control. En la literatura uno puede encontrar trabajos interesantes sobre este tema, [10],
[9]. A continuacin se presentan dos esquemas de control adaptable.

67

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

3.2.2.1

Captulo 3

Control adaptable directo, [3]


La figura 3.5 muestra el esquema de control directo adaptable utilizando dos redes RNRE. La

RNRE-1 es un identificador (estimador) de los estados de la planta que se usan como entradas a la red de
control RNRE-2 tiene una segunda entrada que es la seal de referencia. El error de identificacin ei sirve
para ajustar los parmetros de la RNRE-1, mientras que el error de control ec sirve para ajustar los
parmetros de la RNRE-2. Cabe mencionar que este diagrama, as como los anteriores y precedentes estn
plasmados desde un punto de vista SISO, pudindose adecuar a sistemas MIMO sin ninguna dificultad,
simplemente cambiando las seales simples de entrada y salida por vectores de entrada y salida.

RNRE-2

PLANTA

Controlador

RNRE-1
Estados

Identificador

Figura 3.5 Diagrama a bloques para un sistema de control directo adaptable de seguimiento de trayectoria.

Teniendo en cuenta lo anterior podemos obtener una expresin para el control. Consideremos un
sistema definido por la siguiente ecuacin.

x k 1 x k , u k
y k x k

(3.13)

donde x es el estado de la planta, y es la salida y u la entrada; y son funciones continuas


diferenciables y sin prdida de generalidad asumimos que son, cualquiera de las dos, lineales o no lineales.
Entonces dada la RNRE definida por la ecuaciones (2.9), (2.10) y (2.11), podemos decir que para un
sistema de la forma (3.13) una entrada de control est dada por:

xc k 1 Axc k Bv k
z k f x c k
y k f Cx c k

(3.14)

v k r k , x i k
68

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

donde xc , A , B y C son el estado y las matrices de pesos ajustables respectivamente; x i es el vector de


estados de la red de identificacin; u y r son la seal de control y la seal de referencia respectivamente;
o equivalentemente

u k N x c k , v k
u k N xc k , r k , x i k

(3.15)

donde N representa una RNRE. En la figura 3.5 se muestra el esquema de este tipo de control usando
RNRE.
El esquema de control mostrado en la figura 3.5 representa el control adaptable directo usando una
RNRE como controlador. La RNRE-1 ajusta sus pesos para obtener una seal y tal que y k y k ,
donde y es la salida de la planta y y la salida del sistema aproximado, los pesos de la RNRE-1 son
ajustados en lnea utilizando el error de identificacin ei k y k y k . La RNRE-2 ajusta sus

pesos para obtener una seal u k tal que y k r k , donde y es la salida de la planta y r seal de
referencia. Los pesos de la RNRE-2 son ajustados en lnea usando el error de control

ec k r k y k .
En la figura 3.6 se presenta el esquema de control directo adaptable utilizando tres RNRE. Dos de
ellas forman parte del controlador, y la tercera es un identificador (estimador) de los estados de la planta
que se usan como entrada de una de las redes de control. De esta forma el control estar formado por una
parte feed forward, dependiente de la trayectoria de referencia, y otra parte feed back, dependiente de los
estados que genera el identificador neuronal.
La ley de control est dada por la suma siguiente:

U k u ff (k ) u fb (k )

(3.16)

donde u ff k ya ha sido definida previamente por la ecuacin (3.8), es decir:

u ff k N 1 xc1 k , r k

(3.17)

donde N 1 es el control generado por la RNRE-2, que depende de la seal de referencia.


La expresin para u fb k es una variacin de la ecuacin (3.10), pues en este caso

v k x i k , quedando la expresin como se muestra a continuacin:

69

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 3

u fb k N 2 xc 2 k , v k

(3.18)

u fb k N 2 xc 2 k , x i k

donde N 2 es el control de retroalimentacin generado por la RNRE-3, y depende del vector de estados
generado por la red de identificacin.
Sustituyendo la ecuacin (3.12) en la ecuacin (3.11) obtendremos la siguiente expresin:

U k N 1 xc1 k , r k N 2 xc 2 k , x i k

(3.19)

Tanto las RNREs de control 2 y 3 como la RNRE de identificacin estn definidas por las
ecuaciones (2.9), (2.10) y (2.11). La RNRE-1 ajusta sus pesos para obtener una seal y tal que

y k y k , donde y es la salida de la planta y y la salida del sistema aproximado, los pesos de la


RNRE-1 son ajustados en lnea utilizando el error de identificacin ei k y k y k . La RNRE-2 y
la RNRE-3 ajustan sus pesos para obtener una seal U k tal que y k r k , donde y es la salida de
la planta y r seal de referencia. Los pesos de la RNRE-2 y la RNRE-3 son ajustados en lnea usando el
error de control ec k r k y k .

RNRE-2

PLANTA

RNRE-1
RNRE-3

Identificador

Figura 3.6 Diagrama de bloques para un sistema de control adaptable directo utilizando tres RNRE.

70

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

CAPTULO 4
Simulaciones y resultados
En este apartado se presentan los resultados tanto de simulacin como prcticos de los dos
diferentes esquemas de control (PID y RNRE), aplicados a nuestra planta, as como los clculos y
procedimientos que fueron necesarios para el desarrollo de este sistema.
4.1 Motor
4.1.1 Clculo de los parmetros del motor
Primeramente se compr el motor de C.D. que vamos a utilizar:

Figura 4.1 Motorreductor metlico con relacin de engranaje 131:1.

Rango de voltaje de operacin: 6 a 12Vdc.

Caractersticas a 12Vdc:

Caractersticas a 6Vdc:

-Velocidad: 80RPM.

-Velocidad: 40RPM.

-Corriente sin carga:300mA

-Corriente sin carga:250mA

-Corriente mxima: 5A

-Corriente mxima: 2.5A

-Torque mximo: 18 Kg-cm (250oz-in).

-Torque mximo: 9 Kg-cm (125oz-in).

Dimensiones: 37D x 57L mm


Peso: 193gramos
Largo del eje: 12mm en forma de "D".
Dimensiones (mm) : 26.5 mm

71

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

Figura 4.2 Dimensiones del motor

Encoder
Es un codificador de dos canales de efecto hall, se utiliza para detectar la rotacin de un disco
magntico en una protuberancia posterior del eje del motor.
Proporciona una resolucin de 64 conteos por revolucin del eje del motor, lo que corresponde a
8384 conteos por revolucin del eje de salida de la caja de cambios.
Sensor requiere una tensin de entrada, entre 3.5 y 20 V y dibuja un mximo de 10 mA. Las
salidas A y B son ondas cuadradas de 0 V a Vcc aproximadamente 90 fuera de fase. La
frecuencia de las transiciones que le dice a la velocidad del motor, y el orden de las transiciones
que indica la direccin. Contando tanto los flancos de subida y la cada tanto de las salidas A y B,
es posible obtener 64 conteos por revolucin del eje del motor. Utilizando slo un solo borde de
un canal de resultados en 16 conteos por revolucin del eje del motor, por lo que la frecuencia de
la salida de un osciloscopio en la captura anterior es 16 veces la frecuencia de giro del motor.
Ya teniendo nuestro motor, se calcularon todos los parmetros necesarios para calcular el modelo
matemtico de este.
Se midi la resistencia de la armadura (resistencia interna) y la inductancia del motor, dando como
resultado los valores presentados a continuacin:
Cabe mencionar que en el caso de la resistencia de la armadura, fue necesario realizar varias
mediciones y tomar el promedio debido al efecto que producen las escobillas en el sistema al realizar la
medicin de este parmetro.

72

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

RESISTENCIA INTERNA A 6 V

RESISTENCIA INTERNA A 12 V

1.- 5.9

1.- 10.3

2.- 6.0

2.- 8.0

3.- 3.6

3.- 7.2

4.- 7.0

4.- 8.8

5.- 5.6

5.- 9.3

6.- 5.1

6.- 7.5

7.- 4.6

7.- 10.3

8.- 5.7

8.- 11.5

9.- 5.6

9.- 11.2

10.- 4.9

10.- 10.4

PROMEDIO: 5.4

PROMEDIO: 7.97
INDUCTANCIA: 1.602 mH

4.1.2 Modelo matemtico del motor


Partiendo de:
T

KT

W(s)

Kb
(a)

KT

W(s)

Kb
(b)

73

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

G(s)

Captulo 4

W(s)

Kb
(c)

KT

KT
(Ra sLa ) J
ms
1(

KT
(Ra sLa ) J
ms

)(Kb )

KT

(Ra sLa )J ms
1(

KT Kb
(Ra sLa )J ms

(Ra sLa )J ms
(Ra sLa )J ms KT Kb

KT
(Ra sLa )J ms KT Kb

(Ra sLa )J ms

G(S)

W(s)

Dividiendo entre LaJm:

(d)

G(s)
W(s)

(e)
Figura 4.3 (a), (b), (c), (d) y (e) lgebra de bloques empleada desde el concepto bsico de mquina elctrica para determinar la
funcin de transferencia del motor.

Donde:
Va = 12 V
ia = 300 mA
= 80 rpm
em= 12 V
Tg= 250 oz in
La= 1.602 mH

Ra= 7.97
K b=
KT=

= 0.15 V
= 833.33

Jm= 20.7 oz in s2

74

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

W(s)

G(s)

Figura 4.4 Funcin de transferencia del motor

Una vez obtenida nuestra funcin de transferencia, se calculan los siguientes polos:
P1= -0.76
P2= -4974.27
al encontrarse ambos polos en el semiplano izquierdo, se determina que el sistema es estable.
Posteriormente se realiza el clculo de :

2 n = 4975.03
= 40.51
40.51 > 1
el sistema es sobre amortiguado

4.1.3 Representacin de la F.T. en Espacio de Estados


Para obtener la forma cannica controlable, es necesario partir de la funcin de
transferencia:

158.52
s 4975.03s 3769.29

Y(s) = 2

(4.1)

teniendo que:
A0 = 3769.29

b0 = 158.52

A1 = 4975.03

m=0

n=2
por lo tanto m < n

75

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

Y la forma cannica controlable quedara:

X 1 0

X 2 A0
y b0

1 X1

0
u
A1 X 2 1

(4.2)

X1
0
X
2

1
X 1 0
X1 0

u
X 2 3769.29 4975.03 X 2 1

(4.3)

X1
y 158.52 0

X
2

4.1.4 Controlabilidad y Observabilidad


Para saber que nuestro sistema es controlable realizamos lo siguiente.
Partiendo de la ecuacin 4.3 y sabiendo que la matriz de controlabilidad (Q) est definida como:
Q B

AB

A B
2

A B
n 1

(4.4)

Se tiene que la matriz de controlabilidad del sistema es:

1 4975.03

1
0

(4.5)

donde su det 0 y es de rango = 2 si es controlable.

Ahora, para saber que el sistema es observable se realiz lo siguiente partiendo de la

ecuacin 4.3, sabiendo que la matriz de observabilidad (O) est definida como:

CA
2
O CA


CAn 1

(4.6)

76

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

Se tiene que la matriz de observabilidad del sistema es:

158.52
0
0

158.52

(4.7)

Donde su det 0 y es de rango = 2 si es observable.

4.1.5 Error en estado estacionario


Sabiendo que:

12

ss = lim s

s 0
1 Go s

(4.8)

12

ss = lim
s 0 1 Go

(4.9)

donde:
(4.10)

Go = Gc (s) G(s)

Ki

Ki

Go = Kp

Go = Kp

KT

2
s LaJ m sJ m Ra KT K b

(4.11)

2
s 4975.03s 3769.42

(4.12)

Kds

152.38

Kds

Kps Ki Kds 2
152.38

s 4975.03s 3769.42

(4.13)

Go =

152.38(Kps Ki Kds )
2

Go =

(4.14)

s (s 4975.03s 3769.42)
2

12

ss = lim
s 0
152.38(Kps Ki Kds )
1 s (s 4975.03s 3769.42)

(4.15)

77

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

12

ss = lim
s 0 s (s 2 4975.03s 3769.42) 152.38(Kps Ki Kds 2 )

2
s (s 4975.03s 3769.42)

(4.16)

12s (s 4975.03s 3769.42)


ss = lim

s 0 s (s 2 4975.03s 3769.42) 152.38(Kps Ki Kds 2

(4.17)

ss =

(4.18)

4.1.6 Cambio de polos del sistema


Para cambiar los polos del sistema, se parte de la ecuacin 4.3:
1
X 1 0
X1 0

u
X 2 3769.29 4975.03 X 2 1

y 158.52

X1
X
2

sabiendo que los polos del sistema son:

s1 0.76
s1 4974.27
el polinomio caracterstico deseado es:

3s 2 0

(4.19)

la matriz retroalimentada deseada es:

0 1
Ar
A Bk
2 3

(4.20)

78

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

s 0 0 1 s
1 2
det SI Ar

s 3s 2
0 s 2 3 2 s 3

(4.21)

donde k es la matriz incgnita:

0
0 1
0
1

k1 k2

3769.29 4975.03 1
2 3

(4.22)

0 0 0 1
0
1

3769.29 4975.03 k1 k2 2 3

(4.23)

0 1
0
1

k 3769.29 k2 4975.03 2 3
1

(4.24)

donde:

k1 3769.29 2

k1 3767.29

k2 4975.03 3

k2 4972.03
k 3767.29 4972.03

( )

0
1

[158.52 0]

y(t)

0
1
3769.29 4975.03
[3767.29 4972.03]
Figura 4.5

Retroalimentacin de estado

79

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

4.2 Control de velocidad del motor con PID (Simulacin)


Proponiendo Ki: 2.4
(4.25)

Kp = Ki Ti
Kp = (2.4) (1.5416)
Kp = 3.7

(4.26)

Kd = Td Kp
Kd = (2.7x10-6) (3.7)
Kd = 0.0001

Cabe sealar que todas las variables anteriores pueden modificar sus valores sin
necesariamente estar relacionadas una con las otras dado que se debe realizar un ajuste de los mismos
hasta obtener los resultados deseados a la salida del sistema controlado. Estos valores fueron los que
mejor se adaptaron al sistema utilizado en este apartado.
Para controlar la velocidad del motor antes descrito bajo este enfoque, se utiliz el esquema
de control mostrado en la figura D.1, haciendo uso de la planta descrita en la figura 4.5 y con seal
de entrada dada por la siguiente expresin:
(4.27)

r (k ) = WN (Tm , p, s ) = WN ( 25,[0.25],[2, 3,5, 1, 4] )

donde WN () es una seal de ruido blanco con parmetros Tm, p y s . Se trata de secuencias de
pulsos de amplitud variable acotada por el intervalo [0.5, 0.5].
Todas las simulaciones se realizaron en MATLAB Simulink en tiempo continuo, el tiempo
de duracin de la simulacin fue de 1 minuto.
Las figura 4.6 (a) muestra la seal de referencia (azul) y la salida de la planta (roja)
controlada, y la figura 4.6 (b) muestra las mismas seales pero en un intervalo de tiempo menor para
apreciar a manera de zoom el control del sistema en los primeros instantes de tiempo. La figura 4.7
muestra la seal de control y por ltimo las figuras 4.8 (a) y 4.8 (b) muestran el error en estado
estacionario y el Error Cuadrtico Medio de control (el cual presenta un desempeo aceptable menor
al 2.4% del error), respectivamente.

80

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

Comparacin de Control
0.25

Referencia
Salida

0.2
0.15
a
id
la
S
s
v
ia
c
n
re
e
fe
R

0.1
0.05
0
-0.05
-0.1

100

200

300
Tiempo

400

500

600

(a)

Comparacin de Control
0.25

Referencia
Salida

0.2
0.15
a
id
l
a
S
s
v
a
i
c
n
e
re
fe
R

0.1
0.05
0
-0.05
-0.1

10

20

30

40

50
Tiempo

60

70

80

90

(b)
Figura 4.6 Control PID: (a), (b) Comparacin entre la seal de referencia y la seal de salida de la planta.

81

100

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

Seal de Control
1
0.8
0.6

l
o
trn
o
C
e
d
la

e
S

0.4
0.2
0
-0.2
-0.4
-0.6
-0.8

50

100

150

200
Tiempo

250

300

350

400

Figura 4.7 Control PID: Seal de control.

Error en Estado Estacionario

0.5
0.4
0.3
0.2
0.1
r
o
rr
E

0
-0.1
-0.2
-0.3
-0.4
-0.5
0

100

200

300
Tiempo

400

500

600

(a)

82

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

Error Cuadrtico Medio

0.1
0.09
0.08
o
i
d
e
M
o
ci
t
rd
a
u
C
r
o
rr
E

0.07
0.06
0.05
0.04
0.03
0.02
0.01
0

50

100

150

200
Tiempo

250

300

350

400

(b)
Figura 4.8 Control PID: (a) Error en estado estacionario, (b) Error cuadrtico medio de control.

83

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

4.3 Control de velocidad del motor con Control Inteligente RNRE (Simulacin)
El segundo esquema de control empleado para controlar la planta antes mencionada fue el
Control Adaptable Directo utilizando tres RNREs, una de ellas para la identificacin de los estados y
las otras dos para llevar a cabo las tareas de control, el cual quedar dividido en dos partes (uc = uff
+ ufb ), como se mostrar ms adelante, para tal efecto se construy el sistema mostrado en la figura
3.6. La topologa de la RNRE de control Feedforward es (1,3,1) es decir tiene 1 entradas, 3 neuronas
en la capa oculta y 1 neuronas en la capa de salida, los parmetros de aprendizaje fueron: C1 = 0.01,
C1 = 0; La topologa de la RNRE de control Feedback es (3,10,1) es decir tiene 3 entradas,
10 neuronas en la capa oculta y 1 neuronas en la capa de salida, los parmetros de aprendizaje fueron:
C2 = 0, C2 = 0.001; La topologa de las RNRE de identificacin es (1,3,1) es decir tiene 1 entradas,
3 neuronas en la capa oculta y 1 neuronas en la capa de salida, los parmetros de aprendizaje fueron:
i = 0.001, i = 0.7; el tiempo de muestreo utilizado en todos los casos fue Ts = 0.01 minutos, las
funciones de activacin de las redes son del tipo tangente hiperblica; la identificacin y el control del
sistema fue realizado en tiempo real, aprovechando las caractersticas de las RNRE; el tiempo de
duracin de la simulacin fue de 2:30 minutos. La seal utilizada como referencia es la misma
utilizada en el esquema de control anterior, descrito por la ecuacin 4.27:
r (k ) = WN (Tm , p, s ) = WN ( 25,[0.25],[2, 3,5, 1, 4] )
Todas las simulaciones se realizaron en MATLAB Simulink en tiempo discreto.
La figura 4.9 (a) muestra la seal de referencia (azul) y la salida de la planta (roja) controlada, la
figura 4.9 (b) muestra la misma seal pro en un intervalo de tiempo menor a manera de zoom para
apreciar de manera ms clara el control del sistema en los primeros instantes de tiempo; La figura 4.10 (a),
4.10 (b), 4.10 (c) muestran las seales de control; La figura 4.11, muestra el error instantneo de control,
podemos observar que este error es acotado, lo cual indica que el sistema es estable; La figura 4.12
muestra el ECM de control, el cual presenta un desempeo aceptable menor al 3.03% del error. La figura
4.13(a) muestra la seal de salida de la planta (azul) controlada y la de identificacin (roja) de la planta
controlada, la figura 4.13 (b) muestra las mismas seales pero en un intervalo de tiempo menor para
apreciar a manera de zoom la comparacin de identificacin en los primeros instantes de tiempo; Las
figuras 4.14 (a) y (b) muestra los estados identificados de la planta, con diferencia de intervalos de tiempo
para su mejor observacin; La figura 4.15 muestra el error instantneo de identificacin para la salida de
la planta y finalmente la figura 4.16 muestra el ECM de identificacin el cual presenta un desempeo
aceptable menor al 0.54% del error.

84

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

COMPARACIN DE CONTROL
0.25

Referencia
Salida

0.2
0.15
a
id
la
S
sv
ia
c
n
e
re
f
e
R

0.1
0.05
0
-0.05
-0.1

5000

10000

Tiempo

15000

(a)
COMPARACIN DE CONTROL
Referencia
Salida

0.04
0.02
0
-0.02
a
d
lia
S
vs
f
e
R

-0.04
-0.06
-0.08
-0.1
-0.12
-0.14
0

200

400

600

800

1000
Tiempo

1200

1400

1600

1800

2000

(b)
Figura 4.9 Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de referencia y la seal de salida de la
planta.

85

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

SEAL DE CONTROL I (FEEDFORWARD)


0.5
0.4

ff
l
o
rt
n
o
c
e
d
l
a

e
S

0.3
0.2
0.1
0
-0.1
-0.2
0

5000

Tiempo

10000

15000

(a)
SEAL DE CONTROL II (FEEDBACK)
0

-0.02

b
f
l
o
tn
o
c
e
d
l
a

e
S

-0.04

-0.06

-0.08

-0.1

-0.12

5000

Tiempo

10000

15000

(b)

86

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

SEAL DE CONTROL TOTAL


0.5
0.4
0.3
l
a
t
o
t
l
o
rt
n
o
c
e
d
la

e
S

0.2
0.1
0
-0.1
-0.2
-0.3
0

5000

Tiepo

10000

15000

(c)
Figura 4.10 Control directo adaptable con tres RNREs: (a) Seal de Control ff, (b) Seal de control fb. (c) Seal de control total.

ERROR INSTANTNEO DE CONTROL

0.5
0.4
0.3
0.2
o
e
n

tn
ta
s
n
i
ro
rr
E

0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5
0

5000

Tiempo

10000

15000

Figura 4.11 Control directo adaptable con tres RNREs: Error instantneo de Control.

87

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

ERROR MEDIO CUADRTICO DE CONTROL


0.1
0.09
0.08
o
cti
r
d
a
u
C
io
d
e
M
r
o
rr
E

0.07
0.06
0.05
0.04
0.03
0.02
0.01
0

5000

Tiempo

10000

15000

Figura 4.12 Control directo adaptable con tres RNREs: Error Cuadrtico Medio de control.

COMPARACIN DEL IDENTIFICADOR


0.25
n

i
ca
ci
fi
t
n
e
id
e
d
la

e
S
s
v
a
tn
la
p
a
l
e
d
l
a

e
S

Planta
Identificador

0.2
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2

5000

Tiempo

10000

15000

(a)

88

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

COMPARACIN DEL IDENTIFICADOR


0.02
n
i
c
ca
if
it
n
e
id
e
d
l
a

e
S
sv
a
t
n
a
lp
a
l
e
d
la

e
S

Planta
Identidicador

0.015
0.01
0.005
0
-0.005
-0.01
-0.015
-0.02
-0.025
-0.03

8
Tiempo

10

12

14

(b)
Figura 4.13 Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de salida de la planta y la seal de
identificacin de la planta controlada.

ESTADOS IDENTIFICADOS
x1(k)
x2(k)
x3(k)

0.05

s
o
d
a
t
s
E

-0.05

-0.1

5000

Tiempo

10000

15000

(a)

89

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

ESTADOS IDENTIFICADOS
x1(k)
x2(k)
x3(k)

0.08
0.06
0.04
0.02
s
o
d
a
t
s
E

0
-0.02
-0.04
-0.06
-0.08
-0.1
-0.12

1.5

2.5

3
Tiempo

3.5

4.5

(b)
Figura 4.14 Control directo adaptable con tres RNREs: (a) y (b) Estados identificados de la planta.

-3

20

ERROR INSTANTNEO DEL IDENTIFICADOR

x 10

15

o
e
n

tn
a
t
s
n
I
r
o
rr
E

10

-5

5000

Tiempo

10000

15000

Figura 4.15 Control directo adaptable con tres RNREs: Error instantneo de Identificacin.

90

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

ERROR MEDIO CUADRTICO DEL IDENTIFICADOR


0.05
0.045
0.04
o
cti

r
d
a
u
C
o
id
e
M
r
o
rr
E

0.035
0.03
0.025
0.02
0.015
0.01
0.005
0

5000

Tiempo

10000

15000

Figura 4.16 Control directo adaptable con tres RNREs: Error Cuadrtico Medio de identificacin.

91

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

4.4 Control de velocidad del motor con PID (Pruebas fsicas)


Para controlar la velocidad de la planta real bajo este enfoque, se utiliz nuevamente el esquema
de control mostrado en la figura D.1, con los valores siguientes en el PID:
Kp = 3.7
Ki = 2.4
Kd = 0.0001
Y utilizando una seal de entrada continua de 0.65.
Todas las pruebas se realizaron en MATLAB Simulink en tiempo continuo, el tiempo de
duracin de la simulacin fue de 3:20 minutos.
Las figura 4.17 (a) muestra la seal de referencia (azul) y la salida de la planta (roja) controlada, y
la figura 4.17 (b) muestra las mismas seales pero en un intervalo de tiempo menor para apreciar a manera
de zoom el control del sistema en los primeros instantes de tiempo y por ltimo la figura 4.18 muestra el
Error Cuadrtico Medio de control (el cual presenta un desempeo aceptable menor al 4% del error),
respectivamente.
COMPARACIN DE CONTROL

0.8
0.7
0.6
a
id
l
a
S
s
v
ia
c
n
re
e
f
e
R

0.5
0.4
0.3
0.2
0.1
0

0.2

0.4

0.6

0.8

1
Tiempo

1.2

1.4

1.6

1.8

2
4

x 10

(a)

92

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

COMPARACIN DE CONTROL

0.8
0.7
0.6
a
d
li
a
S
s
v
a
i
cn
e
r
e
fe
R

0.5
0.4
0.3
0.2
0.1
0

500

1000

1500

2000
Tiempo

2500

3000

3500

4000

(b)
Figura 4.17 Control PID: (a), (b) Comparacin entre la seal de referencia y la seal de salida de la planta.

ERROR MEDIO CUARTICO DE CONTROL

1
0.9
0.8
0.7
0.6
ia
c
n
e
re
f
e
R

0.5
0.4
0.3
0.2
0.1
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

Figura 4.18 Control PID: Error cuadrtico medio de control.

93

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

4.5 Control de velocidad del motor con Control Inteligente RNRE (Pruebas fsicas)
El segundo esquema de control empleado para controlar la planta real fue al igual que en el
apartado de simulacin, el Control Adaptable Directo utilizando tres RNREs, una de ellas para la
identificacin de los estados y las otras dos para llevar a cabo las tareas de control, el cual quedar
dividido en dos partes (uc = uff + ufb ), como se mostrar ms adelante, para tal efecto se construy el
sistema mostrado en la figura 3.6. La topologa de la RNRE de control Feedforward es (1,3,1) es decir
tiene 1 entradas, 3 neuronas en la capa oculta y 1 neuronas en la capa de salida, los parmetros de
aprendizaje fueron: C1 = 0.01,

C1 = 0; La topologa de la RNRE de control Feedback es (3,10,1) es

decir tiene 3 entradas, 10 neuronas en la capa oculta y 1 neuronas en la capa de salida, los parmetros de
aprendizaje fueron: C2 = 0, C2 = 0.001; La topologa de las RNRE de identificacin es (1,3,1) es decir
tiene 1 entradas,
aprendizaje fueron:

3 neuronas en la capa oculta y 1 neuronas en la capa de salida, los parmetros de


i = 0.001, i = 0.7; el tiempo de muestreo utilizado en todos los casos fue Ts =

0.01 minutos, las funciones de activacin de las redes son del tipo tangente hiperblica; la identificacin
y el control del sistema fue realizado en tiempo real, aprovechando las caractersticas de las RNRE; el
tiempo de duracin de la simulacin fue de 1:40 minutos. La seal utilizada como referencia es la misma
utilizada en el esquema de control anterior, una seal continua de 0.65.
Todas las simulaciones se realizaron en MATLAB Simulink en tiempo discreto.
La figura 4.19 (a) muestra la seal de referencia (azul) y la salida de la planta (roja) controlada, la
figura 4.19 (b) muestra la misma seal pro en un intervalo de tiempo menor a manera de zoom para
apreciar de manera ms clara el control del sistema en los primeros instantes de tiempo; La figura 4.20 (a),
4.20 (b), 4.20 (c) muestran las seales de control; La figura 4.21, muestra el error instantneo de control,
podemos observar que este error es acotado, lo cual indica que el sistema es estable; La figura 4.22(a)
muestra la seal de salida de la planta (azul) controlada y la de identificacin (roja) de la planta
controlada, la figura 4.22 (b) muestra las mismas seales pero en un intervalo de tiempo menor para
apreciar a manera de zoom la comparacin de identificacin en los primeros instantes de tiempo; Las
figuras 4.23 (a) y (b) muestra los estados identificados de la planta, con diferencia de intervalos de tiempo
para su mejor observacin; La figura 4.24 muestra el error instantneo de identificacin para la salida de
la planta y finalmente la figura 4.25 muestra el ECM de identificacin el cual presenta un desempeo
aceptable menor al 0.54% del error.

94

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

COMPARACIN DE CONTROL

0.8
0.7
0.6
lo
tr
n
o
C
s
v
a
ic
n
re
e
fe
R

0.5
0.4
0.3
0.2
0.1
0

Referencia
Salida
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

(a)
COMPARACIN DE CONTROL

0.8
0.7
0.6
l
o
trn
o
C
s
v
a
ic
n
e
re
f
e
R

0.5
0.4
0.3
0.2
0.1

R e fe re ncia
Sa lida

200

400

600

800

1000
Tiempo

1200

1400

1600

1800

2000

(b)
Figura 4.19 Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de referencia y la seal de salida de la
planta

95

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

SEAL DE CONTROL I (FEED FORWARD)

1
0.9
0.8
0.7
0.6
a
ci
n
e
r
e
f
e
R

0.5
0.4
0.3
0.2
0.1
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

8000

9000

10000

(a)
SEAL DE CONTROL II (FEED BACK)

0.5
0.45
0.4
0.35
0.3
ia
c
n
e
r
e
fe
R

0.25
0.2
0.15
0.1
0.05
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

(b)

96

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

CONTROL TOTAL

1.6
1.4
1.2
1
a
ci
n
e
r
e
f
e
R

0.8
0.6
0.4
0.2
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

(c)
Figura 4.20 Control directo adaptable con tres RNREs: (a) Seal de Control ff, (b) Seal de control fb. (c) Seal de control total.

ERROR MEDIO CUADRTICO DE CONTROL

1
0.9
0.8
0.7
o
ci
t
r
d
a
u
C
o
id
e
M
ro
rr
E

0.6
0.5
0.4
0.3
0.2
0.1
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

Figura 4.21 Control directo adaptable con tres RNREs: Error Cuadrtico Medio de control.

97

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

COMPARACIN DEL IDENTIFICADOR

0.8
0.7
0.6
r
o
d
a
ci
fi
t
n
e
d
I
s
v
ta
n
a
l
P

0.5
0.4
0.3
0.2
0.1
Pla nta

Ide ntifica dor

-0.1

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

(a)

COMPARACIN DEL IDENTIFICADOR

0.8

Pla nta

0.7

Ide ntifica dor

0.6
ro
d
a
icfi
t
n
e
d
I
s
v
a
tn
a
l
P

0.5
0.4
0.3
0.2
0.1
0
-0.1

100

200

300

400

500
Tiempo

600

700

800

900

1000

(b)
Figura 4.22 Control directo adaptable con tres RNREs: (a), (b) Comparacin entre la seal de salida de la planta y la seal de
identificacin de la planta controlada.

98

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

ESTADOS IDENTIFICADOS

0.5

x1 (k)
x2 (k)

0.45

x3 (k)

0.4
0.35
0.3
a
ic
n
e
r
e
f
e
R

0.25
0.2
0.15
0.1
0.05
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

(a)

ESTADOS IDENTIFICADOS

0.5

x1 (k)

0.45

x2 (k)
x3 (k)

0.4
0.35
0.3
ia
c
n
e
r
e
f
e
R

0.25
0.2
0.15
0.1
0.05
0

500

1000

1500

2000
Tiempo

2500

3000

3500

4000

(b)
Figura 4.23 Control directo adaptable con tres RNREs: (a) y (b) Estados identificados de la planta.

99

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 4

ERROR INSTANTNEO DEL IDENTIFICADOR

0.8
0.7
0.6
0.5
o
e
n

tn
a
t
s
In
r
ro
r
E

0.4
0.3
0.2
0.1
0
-0.1

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

Figura 4.24 Control directo adaptable con tres RNREs: Error instantneo de Identificacin.

ERROR CUADRTICO MEDIO DEL IDENTIFICADOR

0.1
0.09
0.08
0.07
co
it
r
d
a
u
C
o
i
d
e
M
ro
rr
E

0.06
0.05
0.04
0.03
0.02
0.01
0

1000

2000

3000

4000

5000
Tiempo

6000

7000

8000

9000

10000

Figura 4.25 Control directo adaptable con tres RNREs: Error Cuadrtico Medio de identificacin.

100

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 5

CAPTULO 5
Conclusiones
La descripcin del sistema, el cual es el ejemplo central de este trabajo se present en el captulo
4. Se obtuvo el modelo matemtico de un motor de corriente directa aplicando tcnicas de simplificacin,
cambio de polos y representacin es espacio de estados. Al evaluar el modelo resultante se obtuvo
respuestas bastante aproximadas a las que se obtendran de un sistema real, adems de que permiti
conocer la dinmica interna del sistema.
Las Redes Neuronales Artificiales son poderosas herramientas para la identificacin y el control
de sistemas. Para poderlas ocupar correctamente y obtener buenos resultados mediante su implementacin
es fundamental conocer y manejar los conceptos bsicos de los elementos que las conforman, las
topologas y los diferentes tipos de aprendizaje que existen, los cuales son tratados brevemente a lo largo
de este trabajo. Tambin se present el mtodo diagramtico para poder derivar los algoritmos de
aprendizaje como el BP de una forma ms sencilla.
Todas las simulaciones y resultados presentados en este trabajo se realizaron utilizando RNRE,
debido a las ventajas que presentan sobre otro tipo de redes estticas. En los captulos 2 y 3 se ha
presentado una teora general acerca de las RN, abarcando tpicos importantes como lo son las topologas,
estructura, controlabilidad, observabilidad, aprendizaje y estabilidad. La marcada limitacin que
experimentan las RN estticas en cuanto a no poseer dinmica en su estructura y el tener que requerir una
gran cantidad de neuronas para llevar a cabo la mayora de los procesos son sus mayores desventajas ante
las RNR.
La identificacin es de gran importancia e inters para el control de procesos, ya que permite
obtener informacin del comportamiento del sistema, por lo que es necesario conocer las herramientas
para poder llevar a cabo esta tarea. Tales elementos son dados a conocer en el captulo 5; en dicho
captulo, qued de manifiesto el poder de adaptacin que tiene la RNRE para la identificacin de sistemas,
en donde se mostr que la RNRE se puede adaptar a condiciones y fenmenos externos al modelado de la
planta como lo son retardos en la alimentacin del sistema. La RNRE utilizada fue capaz de hacer el
seguimiento de la salida y la identificacin paramtrica del sistema con excelentes resultados.
Finalmente el objetivo ms importante de este trabajo fue alcanzado: el control del sistema
propuesto; como sabemos, existen diferentes esquemas y topologas para llevar a cabo esta tarea, el
principal enfoque fue desarrollar un esquema de control adaptable directo utilizando 3 RNREs, esto
debido a su sencillez de operacin y a que utiliza una RNRE para sintetizar la ley de control. Los
resultados obtenidos de las simulaciones fueron bastante satisfactorios, pues se propusieron diversos tipos

101

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Captulo 5

de seales de referencia y la RNRE de control fue capaz de adaptarse a todas ellas con una velocidad
considerable, pudindose realizar todos los experimentos en tiempo real, nicamente se document un tipo
de entrada pues es la que se muestra ms interesante y difcil de realizar para el sistema al finalizar las
pruebas.
Este sistema se compar en funcionamiento con el de un controlador clsico muy difundido, el
PID; y aunque ste presento muy buenos resultados en la salida de la planta y el error es ms pequeo,
este no dista tanto en valores entre un esquema de control y otro. Al observar los resultados entre ambos
esquemas, se hace nfasis en la utilizacin de las RNs pues el PID si muestra una significativa ventaja en
precisin y exactitud en el control de un sistema como este pero es necesario conocer todos los parmetros
de la planta para su correcto y adecuado funcionamiento as como que nicamente funciona para esa
planta en especfico y por el contrario en un sistema en donde se apliquen las RNs como se hizo en este
caso, puede ser aplicable a casi cualquier sistema incluso del tipo MIMO (con algunas modificaciones en
la topologa de las redes), obteniendo satisfactorios resultados con errores menores al 4%.
Los resultados de este trabajo sern enviados a algunos congresos y estarn a la espera de su
futura publicacin.

102

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Trabajos
Futuros

Trabajos futuros
Debido a los buenos resultados obtenidos en este trabajo, a futuro y como primer paso se
pretender ajustar este sistema para el control de 2 o incluso 3 variables: Velocidad (que hasta el
momento ya se tiene), Posicin y/o aceleracin, para as poder llevar este sistema a una aplicacin real que
beneficie en algn aspecto de la vida o bien aporte algo a la ciencia y tecnologa en nuestro pas
principalmente, por ejemplo controlando varios motores se podra realizar un brazo mecnico de precisin
o incluso podra aplicarse para controlar el movimiento de una prtesis en el cuerpo humano, etc.
Por otra parte, al realizar estudios de posgrado en esta rea ser bastante interesante ahondar en el
control de sistemas multivariables con retardo utilizando RNRs y encontrar matemticamente un criterio
que nos permita conocer hasta donde es posible llevar la estabilidad y el control del sistema.

103

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Bibliografa

Bibliografa

[1]

Astrom, K. J., Wittenmark, B., Adaptive Control, Addison-Wesley, E. U., 1989, 524.

[2]

Baruch, I., Flores, J. M., Thomas, F., Garrido, R Adaptive Neural Control of Nonlinear
systems. In: Dorfner, G., Bischof, H., Hornik, K. (eds): Artificial Neural Networks ICANN 2001.
Lectura Notes in Computer Science, Vol. 2130. Springer-Verlag, Berlin Heidelberg New Cork
(2001), 930-936.

[3]

Baruch, I., Garrido, R., Flores, J. M., Redes Neuronales para la identificacin y control de
sistemas no lineales, Cientfica, No. 14, Marzo-Abril 1999, ESIME, pp. 39-45.

[4]

Baruch, I., Gorcheva, E y Garrido, R., Redes Neuronales para la identificacin de objetos no
lineales, Cientfica, No. 14, Marzo-Abril 1999, ESIME, pp. 39-45.

[5]

Burden, R. L., Faires, j. D., Anlisis Numrico, Ed. Iberoamericana Mxico.

[6]

Calderon, G Draye, J. P., Pasivic, D., Teran, R. And Libert, G., Nonlinear Dynamic system
identification with Dynamic Recurrent Neural Networks, Proc of IASTED Inter. Workshop on
Neural Network0 for Identification, Control, Robotics and Signal/Image Processing, pp. 4954,1996.., May 5-8, 1999, Philadelphia, Pensylvania US, pp. 326-331.

[7]

Carletti, Eduardo J., Control de motores de CC - Control por Ancho de Pulso (PWM), Robots
Argentina, Argentina, 2007.

[8]

Chapman, Sthephen J., Mquinas Elctricas 3ra. Edicin, Mc Graw Hill, Mxico, 1998.

[9]

Chen, Fu-C., Back-Propagation Neural Networks for nonlinear self-tunning Adaptive control,
IEEE Control Syst. Mag., Vol. 10, No. 3, 1990. pp. 44-48.

[10]

Chen, S., Billings, S. A. y Grant, P. A., Nonlinear Systems Identification Using Neural
Networks, Int. J. Control, Vol. 51, No. 6, 1990, pp. 44-48.

[11]

Chu, S. R., Shoureshi, R. and Tenorio, M Neural networks for system identification, IEEE
Control Syst. Mag., Vol. 10, No. 3, 1990. pp. 31-35.

[12]

Cichoki, A. and Unbehauen, R., Neural Networks for optimization and Signal Processing, Ed.
John Wiley & Sons, 1993

[13]

Cincotti, S. y Daneri, I., Neural Network Identification of a Nonlinear Circuit Model of


Hysteresis IEEE Electronics Letters, Vol 33, No. 13, June, 1997, pp. 1154-1156.

[14]

Elman, J. L., Finding structure in time. Cognitive Science, vol 14, pp. 179-211, 1990.

[15]

Haykin, S., Neural Networks, A Comprehensive Foundation, Prentice Hall U. S., 2nd Ed.
1999.

[16]

Hilera, J. R. y Martnez V. J., Redes Neuronales Artificiales, fundamentos, modelos y


aplicaciones, Ed. RA-MA, 1995.

[17]

Hopfield, J. J., Neurons with grade response have collective computational properties like
those of two-state neurons, In Proc. Nat. Academy Sci. USA. Vol. 81. pp. 3088-3092. 1984.

[18]

Hunt, K. J., Sbarbaro, D., Zbicowski, R., and Gawthrop, P. J., neural Networks for Control
Systems. A survey, Automatica, vol. 28, No. 6, pp. 1083-1112, 1992.

104

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Bibliografa

[19]

Irie, B., and miyake, S., Capabilities of Three-layered Perceptrons, Proc. IEEE Anual Int.
Conf. Neural Networks, 1998, pp. 1641-1648.

[20]

Jin, L., Gupta, M. M. y Nikiforuk, P. N., Adaptive model Referent Control of Discrete Time
Nonlinear Systems Using Neural Networks, Control Theory an Advanced Technology, Vol. 10,
No.4 , Part3, sept. 1995, pp. 1379-1399

[21]

Jordan, M. I., Supervised learning and systems with excess degrees of freedom.
Massachusetts Institute of Technology. COINS Technical report 88-27, May. 1988.

[22]

Kleiner Effekt Groe Wirkung, elektronik industrie 7, Alemania, 2006, Traduccin Sensor
Hall, Josef Janisch, Julio de 2007.

[23]

Landau, I. D., Lozano, R., and M Saad, M., Adaptive Control, Springer Verlag, Great Britain,
1998.

[24]

Levin, A. V., and K. S. Narendra.1996. Control of nonlinear dynamical systems using neural
networks- Part II Observability, identification and control, IEEE Transactions on Neural
Networks, vol. 7, pp 30 42.

[25]

Mariaca, Carlos R., Identificacin y Control de Plantas Industriales Multivariables Utilizando


Redes Neuronales Recurrentes, Tesis de Maestra, CINVESTAV-IPN, Mxico D.F., Febrero
de 2005.

[26]

Miller III, W. T., Sutton, R. S., y Werbos, P. J., Neural networks for control, Addison Wesley,
E. U. 1989, 526.

[27]

Morari, m. and Zafiriou, E, Roust Process Control, Prentice Hall, E. U., 1989.

[28]

Narendra, K. S. y Annaswamy, A. M.,Stable Adaptive Systems Prentice Hall, E. U, 1989.

[29]

Narendra, K. S., Parthasarathy, K Identification and control of Dynamical Systems Using


Neural Networks, IEEE Trans. On NN, Vol 1, no. 1, pp. 4-27, March 1990.

[30]

Nava, F., Baruch, I., Poznyak A., 2004. Stability Proofs of Advanced Recurrent Neural
Networks Topology and Learning, Competes Rendus. (Proceedings of the Bulgarian Academy
of Sciences) ISSN 0861-1459, Vol 57, No. 1, pp. 27 -32.

[31]

Nguyen, D. H. and Widrow, B., Neural Networks for Self-Learning Control Systems, IEEE
Control Systems Magazine, Vol,. 10, pp. 18-23, 1990.

[32]

Ogata, Katsuhiko, Ingeniera de Control Moderna 3ra. Edicin, Prentice Hall, Cap. 10,
Mxico, 1998.

[33]

Ogata, Katsuhiko, Sistemas de Control en Tiempo Discreto 2ra. Edicin, Prentice Hall, Cap.
10, Mxico, 1996.

[34]

Pham, D. T. and Yildirim, S. Robot Control using Jordan Neural Networks, Proc. Of the
Internat. Conf. On Recent Advances in Mechatronics, Istanbul, Turkey, Aug. 14-16, 1995, Vol.
II, pp. 888-893.

[35]

Phansalkar, V. V., and Sastry, P. S., Analysis of the Back-Propagation Algorithm with
Momentum, IEEE Trans. On Neural Networks, Vol 5, No 3., pp. 5005-506, 1994.

[36]

Pineda, F. J., Dynamics and architecture for neural computation in recurrent networks.
Journal of Complexity, Vol. 4, pp. 165-199,1988.

[37]

Pineda, F. J., Recurrent Back propagation and the dynamical approach to adaptive neural
computation. Neural computation, Vol. 1, pp. 161-172,1989.

105

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Bibliografa

[38]

Polycarpou, M. M., Stable Adaptive Neural Control Scheme for Nonlinear Systems, IEEE
Trans. On Atomatic Control, Vol. 41, No. 3, March 1996, pp. 447-451.

[39]

Poznyak, A. S., Yu, W., Sanchez, E. N., and Perez, J. P., Nonlinear Adaptive Trajectory
Tracking Using Dynamic Neural Networks, IEEE Transactions on Neural Networks, 10, 1999,
1402-1411.

[40]

Recurso en lnea, Maquinas Elctricas Rotativas, Mc Graw Hill, Cap. 7, http://www.mcgrawhill.es/bcv/guide/capitulo/8448127641.pdf, Espaa, 2011.

[41]

Recurso en lnea, Motores Elctricos, Ed. Mc Graw Hill, Cap. 11, www.mcgrawhill.es/bcv/guide/capitulo/8448173104.pdf, Espaa, 2011.

[42]

Rodrguez R. F., y Lpez, S., M. J., Control Adaptivo y Robusto, Universidad de Sevilla,
Espaa 1996.

[43]

Rovithakis, G. A., and Christodolou, M. A., Adaptive Control of Unknown Plants Using
Dynamical Neural Networks, IEEE Trans. On Systems, Man an Cybernetics, Vol. 24, No. 3,
March 1994, pp. 400-412.

[44]

Snchez E. N., y Bernal, M. A., Nonlinear System Adaptive Trajectory Tracking by Dynamic
neural Control, Int. Joint Conf. On Neural networks, Vol. 3, pp. 2114-2118, 1999.

[45]

Snchez, E. N., Poznyak, A. S. y Wen Yu, Dynamic Multilayer Neural Network for Nonlinear
System Identification, Proc. 33th IEEE CDC, Dec. 1994, pp. 2480-2484.

[46]

Sastry, P. S., Santharam, G. and Unnikrishnan, K. P., Memory neuron Networks for
Identification and Control of Dynamical Systems IEEE Trans. On Neural Networks, Vol. 5, No.
2 March 1994, pp. 306-319.

[47]

Tsoi, A. C. and Back, A. D., Locally Recurrent Globally Feedforward Networks: A Critical
Review of Architectures, IEEE Trans. On neural Networks, Vol 5. No. 2. March 1994, pp. 229239.

[48]

Vidyasagar, M., 1993. Nonlinear Systems Analysis, 2


Hall.

[49]

Wan E. A. and Beaufays, F., Diagrammatic Methods for Deriving and Relating Temporal
Neural Networks Algorithms, Neural computations, Vol. 8, No. 4, pp. 182-201.

[50]

Widrow, B., 30 years of Adaptive Neural Networks: Perceptrn,


Backpropagation, Proc. IEEE, Vol 78, No. 9, Sep. 1990, pp. 1415-1442.

[51]

William, R. J., and Zipser, D., A learning Algorithm for continually running recurrent neural
Networks. Neural computation, Vol. 1 pp. 270-280, 1989.

nd

edition, Englewood Cliffs, NJ: Prentice-

Madeline

106

and

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice A

APNDICE A
Motor
A.1

Definicin, [8], [40]


Los motores elctricos son mquinas elctricas rotatorias que transforman la energa elctrica en

energa mecnica. Se pueden clasificar en dos grandes grupos: los motores de Corriente Directa (CD) y los
motores de Corriente Alterna (CA).
Los motores elctricos son los ms giles de todos en lo que respecta a variacin de potencia y
pueden pasar instantneamente desde la posicin de reposo a la de funcionamiento al mximo.
Estos motores se fabrican en potencias que varan desde una pequea fraccin de caballo hasta
varios miles, y con una amplia variedad de velocidades, que pueden ser fijas, ajustables o variables.
La conversin de energa en un motor elctrico se debe a la interaccin entre una corriente elctrica
circulante dentro de un devanado de cobre y un campo magntico formado entre dos polos opuestos de un
imn. El motor aprovecha este tipo de fuerza para hacer girar un eje, transformndose as la energa
elctrica en movimiento mecnico.
Los dos componentes bsicos de todo motor elctrico son el rotor y el estator.
El rotor es una pieza giratoria, un electroimn mvil, con varios salientes laterales, que llevan cada
uno a su alrededor un embobinado por el que pasa la corriente elctrica. El estator, situado alrededor del
rotor, es un electroimn fijo, cubierto con un aislante. Al igual que el rotor, dispone de una serie de
salientes con embobinados elctricos por los que circula la corriente.

A.2

Funcionamiento de un motor de Corriente Directa (C.D.), [40], [41]


Cuando una corriente fluye a travs de un circuito de alambre conductor que puede rotar y se

encuentra dentro de un campo magntico, el circuito experimentar una fuerza en aquellas partes que se
encuentran en ngulo recto al campo magntico, haciendo que el circuito gire hasta alcanzar una posicin
vertical (Figura A1). Para que el circuito contine su giro, es necesario que la corriente que fluye a travs
de l invierta su flujo.

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice A

Figura A1. Principio bsico de funcionamiento de un motor de C.D.

A.3

Motor de C.D. con escobillas, [41]


En un motor de C.D. con escobillas el circuito de alambre se transforma en un conjunto de bobinas

montadas en las ranuras de un material magntico cilndrico llamado armadura o rotor, (Figura A2).La
armadura, se coloca dentro del campo magntico producido por los polos del campo y se encuentra libre
para girar. Cada bobina de la armadura es conectada a travs de contactos elctricos a los segmentos
adyacentes de un anillo segmentado llamado conmutador.

Figura A2. Motor de cuatro polos, el campo magntico es producido por la corriente que fluye en las bobinas.

Los contactos elctricos se hacen a travs de

contactos de carbn llamados

escobillas. El

conmutador invierte la corriente de cada bobina, segn la armadura se mueva entre los polos del campo,
esto para asegurar que la armadura sigua girando en la misma direccin. La direccin de rotacin de un
motor de C.D. se puede cambiar invirtiendo la corriente de la armadura o la corriente del campo.

ii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice B

APNDICE B
Sensor
B.1

Definicin
Un sensor es un dispositivo elctrico y/o mecnico que transforma una magnitud fsica en un valor

que puede ser medido.


La informacin que es suministrada al sensor debe ser preparada de manera que pueda ser tratada y
procesada. As, el sensor provee una seal que es interpretable para el usuario o el sistema que lo utiliza.
Las caractersticas de construccin de un sensor lo harn idneo para una aplicacin determinada y
por ello existe una gran variedad de tipos de sensores.

B.2

Sensores de desplazamiento y rotacin


Los sensores de desplazamiento y rotacin permiten medir, con respecto a un punto de referencia, la

distancia lineal o el ngulo que se ha movido un elemento de un sistema. Para ello cuentan con un sistema de
medicin que les permite convertir un desplazamiento, ya sea lineal o rotacional, a un nivel de tensin que
permitir evaluar la cantidad de desplazamiento.

B.2.1 Sensores basados en efecto Hall [22]


Los sensores de efecto Hall utilizan la presencia de un campo magntico para generar cambios en la
corriente que circula por un semiconductor y as proporcionar un determinado nivel de tensin.
En la (figura B1), se muestra una placa de metal semiconductor tipo n que conduce una corriente
elctrica. Cuando el semiconductor es inmerso en un campo magntico, se genera un campo elctrico,
debido a que las cargas en el semiconductor se polarizan. El campo elctrico generado compensa al campo
magntico que se ejerce sobre el semiconductor.

iii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice B

Figura B1. Efecto Hall en un semiconductor tipo n.

La polarizacin de cargas en los extremos del semiconductor genera una diferencia de potencial V,
cuyo valor est dado por la siguiente ecuacin.

V= KH

)( )

(B.1)

Donde: KH es una constante denominada coeficiente Hall.


Bf es la densidad de flujo magntico.
i es la intensidad de la corriente que fluye por el semiconductor.
d es el grosor del conductor.
En este tipo de sensores la variacin en la intensidad del flujo magntico en presencia de una
intensidad de corriente constante, provocar una variacin en la diferencia de potencial a consecuencia del
efecto Hall, pudiendo determinar de sta manera un desplazamiento o proximidad de un objeto.

iv

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice C

APNDICE C
PWM, [7]
C.1

Definicin
La modulacin por anchura de pulsos (PWM, del ingls pulse width modulation) es una tcnica

de modulacin en la que se modifica el ciclo de trabajo de una seal peridica para, entre otras cosas,
variar la velocidad de un motor.

C.2

Funcionamiento del PWM


La Regulacin por Ancho de Pulso de un motor de C.D. est basada en el hecho de que si se recorta

la corriente de alimentacin en forma de una onda cuadrada, la energa que recibe el motor disminuir de
manera proporcional a la relacin entre la parte alta (habilita corriente) y baja (cero corriente) del ciclo de
la onda cuadrada. Controlando esta relacin se logra variar la velocidad del motor de una manera bastante
aceptable.

Figura C1. Regulacin de Ancho de Pulsos

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice D

APNDICE D
Control PID
D.1

Control Proporcional (P), [32]


El controlador de tipo continuo ms simple utilizado en los sistemas realimentados es el

controlador proporcional (P).


Con un controlador proporcional la accin correctiva, o accin de control, es proporcional al error
del proceso, es decir, proporcional a la diferencia entre la referencia y la variable medida. La relacin
lineal entre el error y la seal de salida del controlador se puede expresar por medio de la siguiente
ecuacin:

P K pE p
Donde:

(D.1)

P es la seal de salida del controlador


Kp es la ganancia proporcional
Ep es el error del proceso (referencia menos variable medida).

El controlador proporcional no puede eliminar completamente el error del proceso. Esto se debe a
que para mantener la seal de salida del controlador con un valor dado, se requiere un error de rgimen.
Generalmente, a este error se le llama desviacin proporcional o error en estado estacionario, y representa
la principal desventaja de los controladores proporcionales.
Se puede ayudar a hacer mnimo el error en estado estacionario, aumentando en lo posible la
ganancia proporcional. Lamentablemente, incrementando la ganancia proporcional, tambin se aumenta la
tendencia hacia la inestabilidad. En realidad, cuando la ganancia es muy elevada, el controlador presenta
oscilaciones alrededor de la referencia. Por lo tanto, aumentar la ganancia proporcional no es una
solucin ideal para eliminar el error de estabilidad de un proceso.

D.2

Control Proporcional - Integral (PI), [32]


Uno de los mtodos para eliminar el error en estado estacionario en un sistema de control, que

cuenta nicamente con un controlador proporcional, es agregando una desviacin en la salida del
controlador.

vi

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice D

Para que el error del proceso resulte nulo, el valor de esa desviacin se ajusta manualmente con el
valor nominal de la carga.
Este mtodo suele llamarse reposicin manual. Cuando se agrega una desviacin en la salida del
controlador, la forma de la ecuacin que relaciona el error del proceso y la seal de salida del controlador,
se transforma en:
(D.2)

P=KpEp +Po
Dnde: Po es la desviacin en la salida del controlador.

Este mtodo para eliminar el error del proceso funciona para una carga dada. Si sta cambia, ese
error ya no es cero. Por lo tanto, este mtodo se puede emplear en los sistemas de control de procesos en
que el valor medio de la carga es constante.
El mtodo por el cual conseguimos incluir un trmino que vare de acuerdo al tamao y duracin
del error en estado estacionario, es utilizar una accin integral, la cual permite acumular la diferencia
existente entre la variable de proceso y la referencia durante el tiempo que dura el error.
La accin integral nos permite corregir el error en estado estacionario, con ciertas limitantes, tales
como la tendencia a oscilaciones o inestabilidad.

D.3

Control Proporcional Derivativo (PD), [32]


El control derivativo responde a la rapidez de cambio de error y puede producir una correccin

significativa antes de que la magnitud real del error sea grande. Por esta razn se dice que el control
derivativo se anticipa al error e inicia una prematura correccin del error, sin embargo, a pesar de su
utilidad no puede usarse solo, porque no responde a un error en estado estable, por lo tanto, debe usarse
en combinacin con otras acciones de control.
Accin Derivativa= k d
donde:

( )

Kd

( )

(D.3)

es un cambio en el error.
es la ganancia del control derivativo.

Algunas de sus caractersticas principales son que tiene efecto nicamente en la parte transitoria,
por eso disminuye las oscilaciones, estabilizndose ms rpido; se basa en la pendiente del error; en
estado estable nunca acta y por eso nunca se encuentra un control derivativo solo; entre otras.

vii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

D.4

Apndice D

Control Proporcional Integral Derivativo (PID), [32], [33]


Se le denomina de esta forma a un proceso controlado por un sistema de compensacin en lazo

cerrado, basado en un regulador de acciones proporcional, integral y derivativo o PID, de tal forma que se
logran caractersticas dinmicas estables, o dicho de otra forma se logra que el sistema responda a
cambios en sus variables en una forma estable.
En el regulador PD, es reducido el sobrepaso inicial, y se consiguen buenas caractersticas en
cuanto a tiempo de respuesta, pero se sigue, teniendo problemas en reducir el error en estado estacionario.
Con el regulador PI, se consigue corregir el error en estado estacionario, pero el efecto integral
puede provocar un sobrepaso an ms elevado que el producido por un regulador P solamente,
aunque con la sintona adecuada se pueden obtener buenas caractersticas de respuesta.
En el caso del regulador PID, se logra un equilibrio entre tiempo de respuesta, correccin del error
en estado estacionario y un aceptable grado de sobrepaso inicial, por lo que el regulador PID, combina las
buenas caractersticas de cada una de las acciones de regulacin.

u(k)

PID

Planta

y(k)

Figura D.1 Sistema de control PID

En la figura anterior (D.1), se muestra el diagrama a bloques de un sistema controlado mediante el


enfoque de control PID, sin embargo, este diagrama es aplicable para todos los tipos de control antes
mencionados, sustituyendo el bloque de PID por el control deseado.

viii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice E

APNDICE E
Imgenes del sistema fsico utilizado
En las siguientes imgenes se ilustra el sistema fsico construido as como todos las partes que lo
conforman.
1. Alimentacin: Batera Kapton recargable de 12 V a 4 A.
2.- Adquisicin de Datos: DAQ NI-USB 6008
3.- Planta a Controlar: Motorreductor 131:1 con Encoder Marca Pololu, Mod.1447
4.- Circuitera: Conformada por 2 Microcontroladores Texas MSP430G2553 programados y electrnica
discreta convencional para el correcto funcionamiento del sistema.
5.- Grfica: Display genrico 16X2 caracteres
PC para visualizacin del comportamiento del sistema y anlisis de grficas mediante el software
MatLab Simulink (No se muestra en las imgenes).

Figura E.1 Sistema fsico en reposo y ubicacin de sus partes.

ix

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice E

Figura E.2 Sistema fsico en funcionamiento a mxima capacidad.

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice F

APNDICE F
Diagramas de flujo de los programas en los microcontroladores

Frecuencmetro y LCD
o

RUTINA PARA DESPLEGAR LETRERO EN EL LCD (IMP_LET)


INICIO

LETRA APUNTADO

R15

POR R4, R4= R4 + 1

DATO = 0

No

Si
CALL

#DATO_LCD

CALL #IMP_LET

RET

ENVO DE DATOS AL LCD (DATO_LCD)


INICIO

RS = 1 (P1.0 = 1)

CALL
#ENVIO_4BITS
ESPERA 40s

RET

xi

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice F

RUTINA PARA ENVIAR 8 BITS A TRAVS DE UN BUS DE 4 BITS (ENVIO_4BITS)


INICIO

TOMAR BYTE ALTO R15

MANDARLO A P1OUT
(LCD)
DAR PULSO A LINEA E
(P1.3)
TOMAR BYTE BAJO R15

MANDARLO A P1OUT
(LCD)
DAR PULSO A LINEA E
(P1.3)
RET

RUTINA DE SERVICIO DE INTERRUPCION (P1_ISR)


INICI

PULSOS =

PULSOS <

Si

No
CLR
PULSOS
PULSOS2 =
PULSOS2 + 1
BORRAR BANDERA
P1IFG
RET

xii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice F

INT_CCR0
INICIO

DETENER INT P1

PARA EL TIMER

PULSOS2

DATO

PULSOS2 = 2 x PULSOS2

PULSOS2

DAC (P2OUT)

CALL

#BIN_A_BCD

CALL

#IMP_DATOS

CLR

PULSOS2

ACTIVA INTERRUPCIN P1IE

BORRAR BANDERA P1IFG

RET

xiii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice F

SUBRUTINA DE IMPRIMIR DATOS (IMP_DATOS)

INICIO

#2

#CMD_LCD

#LETRERO2
R4
CALL #IMP_LET

#C6

Contina

DECENA
R15
CALL #DATO_LCD

UNIDAD
R15
CALL #DATO_LCD

CMD_LCD
, R15
CALL #DATO_LCD

, R15
CALL #DATO_LCD
R A R15
CALL #DATO_LCD
DMILAR
R15
CALL #DATO_LCD
P A
R15
CALL #DATO_LCD
UMILAR
R15
CALL #DATO_LCD
M A R15
CALL #DATO_LCD
CENTENA
R15
CALL #DATO_LCD
RET
Contina

xiv

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice F

SUBRUTINA QUE CONVIERTE DE BINARIO A BCD (BIN_A_BCD)


INICIO

#30h
#30h
#30h
#30h
#30h

UNIDAD
DECENA
CENTENA
UMILLAR
DMILLAR

#10000
No

DATO

DATO > 0?

Si

DMILLAR =DMILLAR +1

No
#10000

DATO

DATO > 0?

Si
UMILLAR =UMILLAR +1

No
#10000

DATO
Si
CENTENA =CENTENA +1

DATO > 0?
No
#10000

DATO

DATO > 0?

Si

UNIDAD =UNIDAD +1

No
DATO + UNIDAD = UNIDAD

QUITA CEROS A LA
IZQUIERDA EXCEPTO LA
UNIDAD

RETI

xv

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

APNDICE G
Manuales de Referencia y hojas de especificaciones

Microcontrolador Texas Instruments MSP430G2553

xvi

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xvii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

Tarjeta de adquisicin de datos National Instruments NI-USB 6008

xviii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xix

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

Convertidor Analgico a Digital DAC 0830 LNC

xx

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xxi

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

LCD 16X2

xxii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xxiii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

Regulador de Voltaje a 5V. L7805CV

xxiv

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xxv

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xxvi

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

Regulador de Voltaje a 3.3V. LF33CV

xxvii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xxviii

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

xxix

CONTROL DE UN MOTOR DE CD MEDIANTE EL USO DE CONTROL INTELIGENTE

Apndice G

Transistor tipo Darlington TIP110

xxx

S-ar putea să vă placă și