Tesis Pendulo Invertido

cenidet
Centro Nacional de Investigacin y Desarrollo Tecnolgico

Departamento de Ingeniera Electrnica
TESIS DE MAESTRA EN CIENCIAS
CONTROL DEL PNDULO INVERTIDO USANDO

DOS CELDAS NEURONALES ANALGICAS
presentada por
Gabriel Caldern Zavala

Ing. Electrnico por el I. T. de Cd. Madero
como requisito para la obtencin del grado de:

Maestra en Ciencias en Ingeniera Electrnica
Director de tesis:
Dr. Carlos Daniel Garca Beltrn
Cuernavaca, Morelos, Mxico Enero de 2009

cenidet
Centro Nacional de Investigacin y Desarrollo Tecnolgico
Departamento de Ingeniera Electrnica
TESIS DE MAESTRA EN CIENCIAS
CONTROL DEL PNDULO INVERTIDO USANDO

DOS CELDAS NEURONALES ANALGICAS
Presentada por

Ing. Electrnico por el I. T. de Cd. Madero
como requisito para la obtencin del grado de:

Maestra en Ciencias en Ingeniera Electrnica
Director de tesis:
Dr. Carlos Daniel Garca Beltrn
Jurado:
Dr. Presidente
Dr. Secretario
Dr. Vocal
Dr. Vocal suplente
Cuernavaca, Morelos, Mxico Enero de 2009

Dedicatoria
A quienes me dieron la vida a mis padres, Gabriel Caldern Delgado y Fermina Zavala
de la Rosa, por todo el amor y el cario que me proporcionan da con da, por la
dedicacin y el esfuerzo que han realizado durante toda una vida para que yo sea quien
soy en la actualidad.
Los quiero y los amo mucho.
Agradecimientos
A mi pap y a mi mam por su apoyo en este y en todos los proyectos de mi vida, por los
consejos y enseanzas que me han brindado. Gracias por todo.
A mi asesor el Dr. Carlos Daniel Garca Beltrn por brindarme su confianza, su amistad, y
su paciencia, as como por guiarme durante el desarrollo de este trabajo de investigacin
mediante sus enseanzas, consejos y observaciones.
A los miembros del comit revisor, el Dr. Luis Gerardo Vela Valds y el Dr. Marco
Antonio Oliver Salazar, por sus valiosos consejos y por las observaciones realizadas a este
trabajo de tesis.
Al Dr. Abraham Claudio Snchez por haberme brindado una segunda oportunidad en el
proceso de seleccin para estudiantes de nuevo ingreso del CENIDET.
A mis profesores: Dr. Alejandro Rodrguez Palacios, Dr. Enrique Quintero-Mrmol

Mrquez, Dr. Hugo Calleja Gjumlich, Dr. Vctor Alvarado Martnez, Dr. Carlos Manuel
Astorga Zaragoza, Dr. Juan Reyes Reyes y Dr. Gerardo Vicente Guerrero Ramrez por
todos sus conocimientos brindados.
A mis compaeros y amigos: Adriana A., Aldo, Carlos, Claudia, Dante, Efran, Enrique,
Fabin, Fabiola, Flor, Hctor, Hiram, Ivn, Ix-chel, Joaqun, Jos, Juan, J. C. Vega, J.C.
Vilchis, Patricia, Sal, Wendy.
Agradezco de manera profunda al Centro Nacional de Investigacin y Desarrollo

Tecnolgico (CENIDET) y a todo el personal docente, administrativo y auxiliar por
brindarme los medios necesarios para mi formacin acadmica, as como por cada una de
las atenciones que recib durante mi estancia.
Finalmente, al Consejo Nacional de Ciencia y Tecnologa (CONACYT) y a la direccin

General de Educacin Superior Tecnolgica (DGEST) por el apoyo econmico brindado
para poder realizar y culminar mis estudios de maestra.
Control del pndulo invertido usando dos celdas
neuronales analgicas.
Autor:
(Resumen)
En esta tesis se presenta el estudio y el desarrollo de un controlador neuronal analgico

para ser implementado en el control de un pndulo invertido tipo carro. Dicho controlador
resuelve el problema de inestabilidad caracterstico de este sistema.
El controlador propuesto se basa en una Red Neuronal Analgica de dos neuronas, la cual
est inspirada en principios biolgicos. En particular se explora la configuracin llamada
Red Nerviosa Bicore, que es una derivacin de las Redes Neuronales Celulares; ambas
estructuras son un tipo de Redes Neuronales Analgicas.
Se presenta el modelo del pndulo invertido, el cual es obtenido mediante dinmica

Lagrangiana; ste expresa el comportamiento dinmico del sistema.
El controlador neuronal analgico es validado experimentalmente aplicndolo a la maqueta

de pndulo invertido. Diferentes pruebas, tales como el control del ngulo de la varilla y el
rechazo ante perturbaciones, son presentadas haciendo evidente su gran potencial como
controlador.
El desempeo del controlador, en relacin a la posicin de la varilla con respecto de la

vertical, se evala mediante los ndices IAE, ITAE, ISE, adems del error medio y la
desviacin estndar. Los resultados son comparados con el desempeo de un controlador
clsico.
Control of the inverted pendulum using two analog
neural cells.
Autor:
(Abstract)
This thesis presents the study and development of a neuronal analog controller to be
implemented in the control of an inverted pendulum type car. Such driver solves the
problem of instability characteristic of this system
The proposed controller is based on an Analog Neural Network of two neurons, which is
inspired by biological principles. In particular we explore the configuration called Bicore
Nervous Network, which is a derivation of the Cellular Neural Networks; both structures
are a type of Analog Neural Network.
The model of the inverted pendulum is presented, which is obtained through Lagrangian
dynamics; it expresses the dynamic behavior of the system.
The neural analog controller is experimentally validated by applying it to the scale model of
an inverted pendulum. Different tests, such as control of the angle of the rod and the
rejection of disturbances, are presented making clear its great potential as a driver.
The performance of the driver, in relation to the position of the rod regarding the vertical, is
evaluated through the rates IAE, ITAE, ISE, in addition to the average error and standard
deviation. The results are compared to the performance of a classic controller.
ndice general
ndice de figuras IV
ndice de tablas XII
Captulo 1.- Introduccin..................................................................................................... 1

1.1.- Antecedentes .......................................................................................................... 2
1.1.1.- Andar dinmico ............................................................................................... 2
1.2.- Ubicacin del problema ......................................................................................... 3
1.3.- Hiptesis................................................................................................................. 5
1.4.- Objetivos ................................................................................................................ 6
1.4.1.- Objetivo general .............................................................................................. 6
1.4.2.- Objetivos especficos ...................................................................................... 6
1.5.- Alcances y limitaciones.......................................................................................... 6
1.6.- Justificacin............................................................................................................ 7
1.7.- Aportacin.............................................................................................................. 7
1.8.- Estado del arte ........................................................................................................ 8
1.8.1.- Control del pndulo invertido ......................................................................... 8
1.8.2.- Redes Neuronales Artificiales......................................................................... 9
1.8.3.- Redes Neuronales Celulares............................................................................ 9
1.9.- Panorama de la tesis. ............................................................................................ 10
Captulo 2.- Redes neuronales ........................................................................................... 11

2.1.- Redes neuronales artificiales................................................................................ 11
2.1.1.- Descripcin de una neurona biolgica .......................................................... 11
2.1.2.- Naturaleza bioelctrica de la neurona ........................................................... 12
2.1.3.- Modelo de la dinmica neuronal ................................................................... 13
2.1.4.- El Generador Central de Patrones (CPG): una inspiracin biolgica para el
control automtico .................................................................................................... 16
2.2.- Caractersticas de las redes neuronales artificiales. ............................................. 17
2.2.1.- Mecanismo de aprendizaje. ........................................................................... 19
2.2.2.- Redes con aprendizaje supervisado............................................................... 20
2.2.3.- Redes con aprendizaje no supervisado.......................................................... 20
2.3.- Principales tipos de redes neuronales artificiales................................................. 22
2.3.1.- El Perceptrn ................................................................................................. 22
2.3.2.- Las redes ADALINE y MADALINE. .......................................................... 23
2.3.3.- La red BACKPROPAGATION. ................................................................... 25
2.3.4.- El modelo de Hopfield .................................................................................. 27
2.3.5.- El modelo de Kohonen.................................................................................. 29
2.4.- Redes Neuronales Celulares................................................................................. 29
2.4.1.- Autowaves y Turing patterns. ....................................................................... 29
2.5.- Arquitectura de las Redes Neuronales Celulares. ................................................ 30
2.6.- Modelo de una Red Neuronal Celular de dos capas............................................ 33
2.7.- Anlisis de las Redes Neuronales Celulares ........................................................ 35
I
NDICE GENERAL
2.8.- Implementacin prctica de una Red Neuronal Celular...................................... 36

2.9.- Control en una Red Neuronal Celular .................................................................. 37
2.10.- Observaciones importantes acerca de las RNC.................................................. 39
2.11.- Redes Neuronales Nerviosas.............................................................................. 39
2.12.- Porque utilizar Redes de Neuronas Nv en lugar de RNC para resolver el
problema de control del pndulo invertido? ......................................................... 41
Captulo 3.- El pndulo invertido...................................................................................... 43

3.1.- El sistema de pndulo invertido ........................................................................... 43
3.2.- Modelo del pndulo invertido sobre carro ........................................................... 44
3.3.- La maqueta de pndulo invertido BYTRONIC ................................................... 48
3.4.- Puesta en marcha de la maqueta BYTRONIC ..................................................... 50
3.5.- Subsistema del carro y varilla .............................................................................. 53
3.5.1.- Subsistema del servo ..................................................................................... 54
3.6.- Validacin experimental del subsistema de servo................................................ 55
3.7.- Implementacin en simulacin del control PD para el pndulo invertido. .......... 56
Captulo 4.- Controlador de pndulo invertido basado en RNA.................................... 59

4.1.- Aplicacin de la Red Nerviosa Bicore al problema de control del pndulo
invertido................................................................................................................ 59
4.2.- Empleo de un filtro activo dentro del controlador neuronal analgico................ 62
4.2.1.- Filtros activos ................................................................................................ 62
4.2.2.- Filtros de orden superior ............................................................................... 63
4.2.3.- Diseo del filtro pasa-bajas para la Red Nerviosa Bicore............................. 67
4.2.4.- Procedimiento de diseo ............................................................................... 68
4.2.5.- Filtro de tercer orden ..................................................................................... 70
4.3.- Implementacin prctica del controlador neuronal analgico ............................. 72
4.3.1.- Esquema del controlador neuronal analgico considerando la posicin del
pndulo invertido a lo largo del riel.......................................................................... 73
4.3.2.- Diseo de experimentos ................................................................................ 76
4.4.- Resultados experimentales. .................................................................................. 78
4.5.- Anlisis de resultados........................................................................................... 88
4.6.- Conclusiones previas............................................................................................ 90
Captulo 5.- Conclusiones y trabajos futuros................................................................... 93

5.1.- Conclusiones ........................................................................................................ 93
5.2.- Trabajos futuros.................................................................................................... 95
Bibliografa.......................................................................................................................... 97
ANEXO A.- Grficas de simulacin de una RNC con dos neuronas. ............................... 101
ANEXO B.- Instalacin y puesta en marca de la tarjeta de adquisicin de datos. ............ 105
ANEXO C.- Diagrama electrnico de la circuitera de la consola de control de pndulo

invertido.............................................................................................................................. 109
II
NDICE GENERAL
ANEXO D.- Especificaciones de la maqueta de pndulo invertido marca BYTRONIC. . 110
ANEXO F.- Montaje fsico de un segundo potencimetro a la varilla del pndulo invertido.
............................................................................................................................................ 117
ANEXO G.- Programa para calcular el valor de los elementos del filtro pasa-bajas Sallen-
Key de tercer orden............................................................................................................. 119
ANEXO F.- Grficas experimentales del controlador implementado a partir de la Red

Nerviosa Bicore. ................................................................................................................. 122
ANEXO H.- Programa realizado en el editor de MatLab el cual realiza los clculos
numricos a partir de un archivo de datos *.lvm................................................................ 138
III
ndice de figuras
Figura 1.1.- (a).- Caminar esttico (b).- Caminar dinmico. .............................................. 3

Figura 1.2.- Medio ciclo de la caminata humana.................................................................. 4
Figura 1.3.- Pndulo invertido .............................................................................................. 4
Figura 2.1.- Estructura bsica de una neurona biolgica. ................................................. 11
Figura 2.2.- Tiempo de respuesta en un punto de una membrana experimentando un
potencial de accin......................................................................................... 13
Figura 2.3.- Circuito RC de una neurona mostrando los canales de sodio, potasio y de
fuga. ................................................................................................................ 14
Figura 2.4.- Potencial de accin en la membrana de potencial como respuesta ante una
corriente inyectada......................................................................................... 16
Figura 2.5.- El Generador de Patrn Central. .................................................................... 16
Figura 2.6.- Esquema de un modelo neuronal..................................................................... 18
Figura 2.7.- El Perceptrn................................................................................................... 22
Figura 2.8.- Estructura de la red ADALINE, compuesta por un combinador adaptativo
lineal y una funcin de salida bipolar. ........................................................... 24
Figura 2.9.- Forma general de una red neuronal tipo MADALINE.................................... 24
Figura 2.10.- Modelo de arquitectura de una red backpropagation................................... 26
Figura 2.11.- Red Hopfield. ................................................................................................. 29
Figura 2.12.- Una red neuronal celular de dos dimensiones. El tamao del circuito es de
4x4. Los cuadrados son las unidades llamadas clulas. Las conexiones entre
las clulas indican que hay interaccin entre las clulas conectadas. ........ 30
Figura 2.13.- La vecindad de la clula C (i, j ) definida en (2.6) por r = 1, r = 2, r = 3,
respectivamente. ........................................................................................... 31
Figura 2.14.- Un ejemplo del circuito de una clula [1] [2] [8] [10] [9]. ......................... 31
Figura 2.15.- Caractersticas de la fuente no lineal controlada. ........................................ 32
Figura 2.16.- Implementacin de una Red Neuronal Celular de dos capas generadora de
ondas autnomas mediante amplificadores operacionales.......................... 34
IV
NDICE DE FIGURAS
Figura 2.17.- Grfica de las ondas autnomas generadas por el circuito en simulacin en
Simulink (izquierda) y en PSPICE (derecha). .............................................. 35
Figura 2.18.-Grfica de los estados X1 y X2 de la Red Neuronal Celular........................... 36
Figura 2.19.- Grfica de las salidas Y1 y Y2 de la Red Neuronal Celular. .......................... 37
Figura 2.20.- Grfica de los estados X1 y X2, as como de las salidas Y1 y Y2 de la Red
Neuronal Celular.......................................................................................... 37
Figura 2.21.- Inhibicin de las oscilaciones de una clula al momento de que el sensor de
distancia entra en operacin por la presencia de un obstculo. ................. 38
Figura 2.22.- El circuito bsico de una neurona Nv. .......................................................... 40
Figura 2.23.- Seales oscilatorias correspondientes a la neurona Nv................................ 40
Figura 2.24.- Dos neuronas Nv conectadas en anillo (Bicore). .......................................... 41
Figura 2.25.- Ejemplos de seales oscilantes con ciclos de trabajo diferentes, as como el
voltaje promedio que resulta en cada una de ellas. ..................................... 42
Figura 3.1.- Pndulo invertido sobre carro......................................................................... 44
Figura 3.2.- Sistema mecnico del pndulo invertido. ........................................................ 44
Figura 3.3.- Consola de control de la maqueta de Pndulo Invertido b).- Mecanismo de
pndulo. .......................................................................................................... 49
Figura 3.4.- Mecanismo del pndulo de la maqueta BYTRONIC. ...................................... 50
Figura 3.5.- Diagrama esquemtico del sistema de Pndulo Invertido localizado en la
consola de control. ............................................................................................................... 51
Figura 3.6.- Conexiones para el control lineal de posicin. ............................................... 52
Figura 3.7.- Compensador en adelanto. .............................................................................. 52
Figura 3.8.- Grficas de la posicin del la varilla con respecto a la vertical y la posicin
del carro a lo largo del riel respectivamente. ................................................ 53
Figura 3.9.- (a).-Diagrama esquemtico del subsistema del servo (b).-Imagen del esquema
del subsistema del servo dibujado en la consola de control. ................... 54
Figura 3.10.- Diagrama a bloques del subsistema del servo. ............................................. 55
Figura 3.11.- Grficas para la validacin del modelo del subsistema de servo. Dichas
grficas presentan tanto la seal de posicin simulada, as como la seal de
posicin real la cual es medida a travs de una tarjeta de adquisicin de
datos. ............................................................................................................ 56
V
NDICE DE FIGURAS
Figura 3.12.- Diagrama a bloques del control PD para el pndulo invertido implementado
en Simulink. .................................................................................................. 57
Figura 3.13.- Grficas del la posicin del carro y el ngulo de la varilla con respecto a la
vertical.......................................................................................................... 58
Figura 4.1.- Conexin del potencimetro (sensor de la posicin de la varilla) a la red
Bicore. .......................................................................................................... 59
Figura 4.2.- Esquema de control para el pndulo invertido utilizando la red Bicore. ....... 60
Figura 4.3.- Ejemplo de funcionamiento de la red Bicore cuando la varilla del pndulo
simple no se encuentra a 0 con respecto a la vertical. ................................. 61
Figura 4.4.- Obtencin del voltaje promedio de la seal oscilante a partir de un filtro
pasa-bajas....................................................................................................... 61
Figura 4.5.- Respuesta de un filtro pasa-bajas y respuesta de los lmites de magnitud de un
filtro pasa-bajas prctico. .............................................................................. 63
Figura 4.6.- Respuesta de un filtro pasa-bajas Butterworth. .............................................. 64
Figura 4.7.- Respuesta de un filtro pasa-bajas Chebyshev Tipo I....................................... 65
Figura 4.8.- Respuesta de magnitud un filtro pasa-bajas Bessel, as como su respuesta de
fase.................................................................................................................. 66
Figura 4.9.- Circuito de la configuracin Sallen-Key para un filtro pasa-bajas. ............... 67
Figura 4.10.- Filtro RC de orden uno.................................................................................. 70
Figura 4.11.- Circuito de la configuracin Sallen-Key para un filtro pasa-bajas de tercer
orden............................................................................................................. 71
Figura 4.12.- Diagramas de Bode de los filtros pasa-bajas. fc= 20 KHz = 1.26x105 rad/seg
(izquierda) fc = 10 KHz = 6.32 x104 rad/seg (derecha). ............................. 72
(izquierda) fc = 100 Hz = 628 rad/seg (derecha). ....................................... 72
Figura 4.14.-Esquema del controlador neuronal analgico considerando la incorporacin
de una etapa de control PD............................................................................ 74
Figura 4.15.-Controlador Proporcional-Derivativo implementado con amplificadores
operacionales. .............................................................................................. 75
Figura 4.16.-Perturbacin cuantificada mediante la utilizacin de un pndulo simple. .... 77
Figura 4.17.-Pndulo simple. .............................................................................................. 78
VI
NDICE DE FIGURAS
Figura 4.18.-ngulo de la varilla con respecto a la vertical (compensador en adelanto).

Perturbacin a 35. ........................................................................................ 79
Figura 4.19.-Posicin del pndulo invertido sobre el riel (compensador en adelanto).
Perturbacin a 35. ...................................................................................... 80
Figura 4.20.-Seal de control del sistema (compensador en adelanto). Perturbacin a 35.
........................................................................................................................ 80
Perturbacin a 45. ........................................................................................ 81
Perturbacin a 45. ...................................................................................... 81
........................................................................................................................ 82
Figura 4.24.-Oscilacin de la neurona Bicore y Vmed (fosc=485 KHz C=175 pF). ......... 82
Figura 4.25.-Diagrama de Bode del filtro para-bajas con fc=2 KHz................................. 83
Figura 4.26.-ngulo de la varilla con respecto a la vertical (fosc=485 KHz fc=2 KHz)... 83
Figura 4.27.-Posicin del pndulo invertido sobre el riel (fosc=485 KHz fc=2 KHz). ...... 84
Figura 4.28.-Seal de control del sistema (fosc=485 KHz fc=2 KHz)................................ 84
Figura 4.29.-Oscilacin de la neurona Bicore y Vmed (fosc=615 KHz C=122 pF). ......... 85
Figura 4.30.-Diagrama de Bode del filtro para-bajas con fc=100 Hz................................ 85
Figura 4.31.-ngulo de la varilla con respecto a la vertical (fosc=615 KHz fc=100 Hz).. 86
Figura 4.32.-Posicin del pndulo invertido sobre el riel (fosc=615 KHz fc=100 Hz)...... 86
Figura 4.33.-Seal de control del sistema (fosc=615 KHz fc=100 Hz). ............................. 87
Figura A.1.- Salidas X1 y X2 de la RNC de dos clulas ( =0.5 y s = 1 i1 = -0.3 i2 = 0.3).
...................................................................................................................... 101
...................................................................................................................... 102
...................................................................................................................... 102
Figura A.4.- Salidas X1 y X2 de la RNC de dos clulas ( =0.5 y s = 1.5 i1 = -0.3 i2 = 0.3).
...................................................................................................................... 103
VII
NDICE DE FIGURAS
...................................................................................................................... 103
...................................................................................................................... 104
Figura B.1.- Ruta de acceso a la ventana de Configuracin de parmetros. ................... 105
Figura B.2.- Ventana de configuracin de la opcin Solver. ............................................ 106
Figura B.3.- Seleccin del kernel de tiempo real para The Real-Time Windows Target.. 106
Figura B.4.- Seleccin del mdulo de interfaz externo de Simulink.................................. 107
Figura B.5.- Bloques de entradas y salidas anlogas y/o digitales. ................................. 107
Figura B.6.- Ventana de configuracin del bloque de entrada anloga. .......................... 108
Figura B.7.- Compilado del modelo. ................................................................................. 108
Figura C.1.-Circuito electrnico de la consola de control del pndulo invertido. ........... 109
Figura D.1.- Motor-tacho M66CE a) Servo motor M66CT b) Servo motor serie 120.... 110
Figura D.2.- Medidas en mm y cables de alimentacin del servo motor M66CT ........... 110
Figura D.3.- Servo motor serie 120-18............................................................................. 111
Figura D.4.- Medidas en mm del motor 120-18. .............................................................. 111
Figura D.5.- Potencimetro industrial de Precisin Vishay Spectrol modelo 157. .......... 112
Figura D.6.- Medidas en mm del Potencimetro vishay Spectrol modelo 157. ............... 113
Figura D.7.- Potencimetro Sakae Modelo 22HHp-10E................................................... 114
Figura D.8.- Medidas del Potencimetro Sakae Modelo 22HHP-10E. ........................... 115
Figura D.9.- Banda dentada marca MECTROL............................................................... 115
Figura D.10.- Polea dentada marca MECTROL.............................................................. 116
Figura E.1.- Acoplamiento del potencimetro destinado para entregar un voltaje de CD en
relacin al ngulo de la varilla (izquierda). Parte opuesta donde se acoplar
el segundo potencimetro (derecha). ........................................................... 117
Figura E.2.- Banda deteriorada (izquierda) sustituida por una banda nueva de las mismas
(derecha)....................................................................................................... 118
Figura F.1.- Diagrama implementado en SIMULINK del filtro pasa-bajas Sallen-Key. . 120
Figura F.2.-Respuesta del filtro Chebyshev Tipo I pasa-bajas (fc = 10 KHz).................. 121
Figura F.3.-Respuesta del filtro Chebyshev Tipo I pasa-bajas (fc = 2 KHz).................... 121
VIII
NDICE DE FIGURAS
Figura G.1.- a).- Oscilacin de la neurona Bicore y Vmed (fosc=615 KHz C=122 pF).
b).- Diagrama de Bode del filtro pasa-bajas con fc=20 KHz. ..................... 122
Figura G.2.- a).- ngulo de la varilla con respecto a la vertical (fosc=615 KHz fc=20
KHz). b).- Posicin del pndulo invertido sobre el riel (fosc=615 KHz
fc=20 KHz). .................................................................................................. 122
Figura G.3.- a).- Seal de control del sistema (fosc=615 KHz fc=20 KHz). b).-
Oscilacin de la neurona Bicore y Vmed (fosc=545 KHz C=150 pF). ....... 123
fc=20 KHz). .................................................................................................. 123
fc=20 KHz). .................................................................................................. 124
fc=20 KHz). .................................................................................................. 125
Oscilacin de la neurona Bicore y Vmed (fosc=92 KHz C=1 nF). ........... 126
fc=20 KHz). ................................................................................................ 126
Figura G.11.- a).- Seal de control del sistema (fosc=92 KHz fc=20 KHz). .................... 127
Figura G.12.- Diagrama de Bode del filtro pasa-bajas con fc=10 KHz. .......................... 127
fc=10 KHz). ................................................................................................ 128
IX
NDICE DE FIGURAS
ngulo de la varilla con respecto a la vertical (fosc=545 KHz fc=10 KHz).
.................................................................................................................... 128
Figura G.15.- a).- Posicin del pndulo invertido sobre el riel (fosc=545 KHz fc=10.
b).- Seal de control del sistema (fosc=545 KHz fc=10 KHz)................... 129
fc=10 KHz). ................................................................................................ 129
.................................................................................................................... 130
Figura G.18.- a).- Posicin del pndulo invertido sobre el riel (fosc=400 KHz fc=10
KHz). b).- Seal de control del sistema (fosc=400 KHz fc=10 KHz). ... 130
fc=10 KHz). ................................................................................................ 131
Figura G.20.- Seal de control del sistema (fosc=92 KHz fc=10 KHz)............................ 131
fc=2 KHz). .................................................................................................. 132
.................................................................................................................... 132
KHz). b).- Seal de control del sistema (fosc=545 KHz fc=2 KHz). ..... 133
fc=2 KHz). .................................................................................................. 133
ngulo de la varilla con respecto a la vertical (fosc=92 KHz fc=2 KHz). 134
X
NDICE DE FIGURAS
Figura G.26.- a).- Posicin del pndulo invertido sobre el riel (fosc=92 KHz fc=2 KHz).
b).- Seal de control del sistema (fosc=92 KHz fc=2 KHz)....................... 134
Hz). b).- Posicin del pndulo invertido sobre el riel (fosc=545 KHz
fc=100 Hz).................................................................................................. 135
Figura G.28.- a).- Seal de control del sistema (fosc=545 KHz fc=100 Hz). b).-
ngulo de la varilla con respecto a la vertical (fosc=485 KHz fc=100 Hz).
.................................................................................................................... 135
Hz). b).- Seal de control del sistema (fosc=485 KHz fc=100 Hz)........ 136
Hz). b).- Posicin del pndulo invertido sobre el riel (fosc=545 KHz
fc=100 Hz).................................................................................................. 136
.................................................................................................................... 137
Figura G.32.- a).- Posicin del pndulo invertido sobre el riel (fosc=92 KHz fc=100 Hz).
b).- Seal de control del sistema (fosc=92 KHz fc=100 Hz). .................... 137
XI
ndice de tablas
Tabla 1.1.- Tcnicas de control utilizadas para controlar el pndulo invertido. 8

Tabla 4.1.- Filtros Chebyshev con rizo de 0.1 dB........70
Tabla 4.2.- Sntesis de resultados experimentales en relacin al ngulo de la varilla ()...
.... 87
Tabla 4.3.- Sntesis de resultados experimentales en relacin a la posicin del
carro........ 88
Tabla 4.4.- Anlisis numrico comparativo del ngulo de la varilla ().... 89
Tabla 4.5.- Anlisis numrico comparativo de la seal de control del sistema.90
Tabla D.1.- Especificacin del Servo motor tipo M78CT24 (M66CT). 111
Tabla D.2.- Especificacin del servo motor serie 120-18....112
Tabla D.3.- Especificaciones elctricas del potenciometro industrial de precisin113
Tabla D.4.- Especificaciones Electricas Potencimetro Sakae Modelo 22HHp-10E.114
Tabla D.5.- Pesos de las Partes del Pndulo Invertido.116
XII
Captulo 1
Introduccin
Los pndulos invertidos son una familia de artefactos que constituyen un banco de
pruebas muy completo e interesante para la ingeniera de control, ya que son un ejemplo
tpico de un sistema inestable. El ms estudiado de los miembros de esta familia es el
denominado control invertido sobre un vehculo, al que corrientemente se le conoce como
carro. Consiste en un pndulo o varilla que gira libremente por uno de sus extremos
mediante una articulacin situada sobre un carro que se mueve sobre una gua rectilnea
horizontal bajo la accin de una fuerza F, que es la accin de control con la que se pretende
actuar sobre la posicin de la varilla. Debido a que la aceleracin del brazo no puede ser
controlada directamente, el pndulo invertido se dice que es un sistema subactuado.
Inicialmente, en los aos sesenta del siglo pasado, se poda ver este sistema en los
laboratorios de control de las universidades ms prestigiosas. La demostracin consista en
situar inicialmente de forma manual el pndulo en la posicin vertical invertida, para que
posteriormente y realimentando su posicin, el pndulo continuase en la posicin invertida
mediante la adecuada actuacin sobre el carro.
El problema de control, as considerado, es local y su inters resida en que se trataba de

estabilizar una posicin inestable en lazo abierto lo que, como se sabe, constituye un
problema de control muy notable. Este problema, por su carcter local, puede resolverse
con mtodos lineales y as se ha hecho desde los aos sesenta.
Es importante destacar que en sistemas lineales, la estabilizacin en lazo cerrado de un

punto inestable en lazo abierto, no ofrece particulares problemas; stos aparecen cuando el
sistema es no lineal. El inconveniente con esta versin del pndulo, a la hora de plantear
problemas globales, reside en que el recorrido del carro est acotado, por lo que si se
alcanza uno de los extremos del soporte horizontal el sistema deja de funcionar.
Para evitar esta limitacin Katsuhisa Furuta, del Instituto de Robtica de Tokio,
propuso en los aos setenta el pndulo rotatorio conocido desde entonces como pndulo de
Furuta. Consiste en un motor de eje vertical al que es solidario un brazo de cuyo extremo
cuelga la varilla del pndulo. Es decir, el extremo del brazo juega el mismo papel que el
carro en el pndulo descrito en el prrafo anterior. Con este artificio se evitan los problemas
de final de carrera, aunque aparecen otros nuevos debido a que la dinmica del sistema se
complica considerablemente al hacer su aparicin fuerzas centrfugas y de Coriolis.
Las aplicaciones del pndulo invertido en el mbito cotidiano tienen gran impacto para
la sociedad en general. Las principales aplicaciones son las siguientes: mantenimiento de la
trayectoria durante el vuelo de un cohete, control de misiles, anlisis de la biomecnica de
la marcha, balance y postura humana, el caminar bpedo de robots, estabilidad en gras, as
1
CAPTULO 1.- INTRODUCCIN
como de edificios. Otra aplicacin de este sistema es la de un vehculo de dos ruedas para el
transporte de personas, donde el pndulo est constituido por la persona que est sobre el
vehiculo; el movimiento de avance est provocado por la inclinacin de la persona con
respecto a la posicin de equilibrio. Sin lugar a duda, una de las aplicaciones de mayor
impacto para el todo mundo es el posicionamiento de un satlite con respecto a la tierra. En
este caso el satlite esta en movimiento y las antenas que se encuentran en la tierra no
pueden dejar que se mueva demasiado, ya que sino se saldra del rango de comunicacin
entre ellos. Es as como podramos decir que estos dos cuerpos (satlite y antena) estn
sujetos por un vector virtual el cul en la parte de la tierra se encuentra fijo y la parte en
movimiento en el espacio, haciendo as la funcin del pndulo invertido.
Existen otros tipos de pndulo invertido como el pndulo con rueda inercial, el acrobot,
el pendubot, el doble pndulo invertido, etc. Sin embargo en este trabajo de tesis slo se
ocup el pndulo invertido sobre un carro.
1.1.- Antecedentes
Muchas mquinas caminadoras y escaladoras han sido diseadas y desarrolladas
durante las ltimas dcadas, algunas construidas para efectuar servicios para utilidad
humana y de seguridad. Mientras las ruedas son an la forma ms ampliamente usada para
llevar a cabo el movimiento en robots debido a la clara ventaja en la eficiencia de carga-
acarreo, las piernas son atractivas porque ellas permiten a los robots alcanzar lugares donde
slo los humanos y los animales sobre pies pueden normalmente ir.
Aunque la locomocin bpeda se ha estudiado durante mucho tiempo [39], ha sido en

los ltimos veinte aos, gracias al rpido desarrollo de computadoras, que los robots
empezaron a caminar en dos piernas. Desde entonces el problema se ha abordado desde
diferentes perspectivas. En los primeros intentos, los robots usaron modelos del andar
esttico (Figura 1.1a) [28]. La arquitectura del mando de control tena que asegurarse de
que la proyeccin del centro de gravedad en la tierra siempre estuviera dentro del rea de
apoyo del pie. Esta proposicin fue abandonada porque slo podan alcanzarse velocidades
lentas y slo sobre superficies planas. Posteriormente, los robots caminantes dinmicos
aparecieron [46]. El centro de gravedad puede estar fuera del rea de apoyo, pero el punto
de momento cero (Zero Moment Point, ZMP), el cual es el punto donde el momento
angular total es cero, no lo puede estar. Los caminantes dinmicos pueden lograr
velocidades de andar ms rpido, correr [33], subir escaleras [47] [53], ejecucin de tareas
sucesivas [27], e incluso caminar sin la necesidad de un operador [44].
1.1.1.- Andar dinmico
El caminar dinmico bpedo permite que el centro de gravedad pueda estar fuera de la
regin de apoyo por perodos limitados de tiempo. No hay ningn criterio absoluto que
determine si el caminar dinmico es estable o no. De hecho un robot caminante se puede
disear para representar los diferentes tipos de inestabilidades [27] [33]. Sin embargo, si el
2
1.2.- UBICACIN DEL PROBLEMA
robot tiene las junturas del tobillo activas y siempre mantiene por lo menos un pie sobre el
piso, el punto de momento cero (ZMP por sus siglas en ingls) puede ser usado como un
criterio de estabilidad. Mientras que el ZMP est dentro de la regin de apoyo, el caminar
se considera dinmicamente estable porque es el nico caso dnde el pie puede controlar la
postura del robot. Est claro que para robots que no mantienen constantemente un pie por
lo menos en el piso o que no tenga las junturas del tobillo activas (caminar sobre zancos), la
nocin de rea de apoyo no existe, por consiguiente el criterio de ZMP no puede ser
aplicado [15].
El caminar dinmico se logra asegurando que el robot siempre est girando alrededor de
un punto en la regin de apoyo (Figura 1.1b). Si el robot gira alrededor de un punto fuera
de la regin de apoyo entonces esto significa que el pie de apoyo tender a bajar al piso o
har presin contra la tierra. Ambos casos llevan a la inestabilidad. Para establecer una
analoga con el caminar esttico, si todo el movimiento se detiene entonces el robot tender
a girar alrededor del ZMP.
a) b)
Figura 1.1.- (a).- Caminar esttico (b).- Caminar dinmico.
1.2.- Ubicacin del problema

El proceso de caminar es mucho ms complejo de lo que parece, ya que no slo se
requiere de dar pasos; es as que anatmicamente hablando en este proceso estn
involucrados tanto pies, caderas, espina, brazos, hombros, cabeza, etc. Una coordinacin
perfecta de todos los elementos anteriores hace que la caminata humana sea eficiente.
Tomando en cuenta que este trabajo de tesis servir como fundamento para crear en un
futuro un prototipo de robot bpedo, el conocer los principios bsicos sobre el proceso de
caminata de los humanos es fundamental.
En la Figura 1.2 podemos observar un medio ciclo en la caminata humana.
3
Figura 1.2.- Medio ciclo de la caminata humana.
La caminata comienza con los dos pies extendidos y sobre el suelo (Figura 1.2a), en
donde el equilibrio no es problema. El problema comienza al levantar uno de los dos pies
para realizar los movimientos de las Figuras 1.2b, 1.2c y 1.2d, ya que la tendencia es caer
hacia ese lado y hacia delante o atrs dependiendo del estado dinmico del robot en ese
instante. Para evitar que el cuerpo caiga se deben realizar correcciones a los movimientos
del robot permitiendo as la estabilidad dinmica de la caminata. El medio ciclo se
completa cuando los dos pies vuelven a estar en el suelo (Figura 1.2e). El otro medio ciclo
es idntico, solamente que el pie que se levanta es el que anteriormente serva de apoyo y
viceversa.
El pndulo invertido es el sistema dinmico ms comnmente usado para representar la

dinmica del bpedo. Esto slo es vlido s hay siempre uno y slo un pie en el suelo
(movimientos b, c y d de la Figura 1.2). El robot se representa por un punto de masa igual a
la masa total del robot situado en el centro de gravedad y una viga montada alrededor del
punto de contacto del pie con el suelo. Note que para un pndulo invertido, el ZMP se
localiza en el punto de contacto con el suelo (Figura 1.3).
Figura 1.3.- Pndulo invertido
Considerando la siguiente ecuacin dinmica linealizada del pndulo invertido
( s ) 1
=
F ( s) Mls ( M + m) g
2
(1.1)
4
1.3.- HIPTESIS
Donde
- ngulo de la barra con respecto a la lnea vertical

F - Fuerza aplicada el carro para controlar la posicin del pndulo
M - Masa del carro
m - Masa de la barra
l - Longitud de la barra
g - Aceleracin de la gravedad
Aplicando la frmula general para obtener los polos del polinomio caracterstico se tiene
que:
4( Ml )( M + m) g
p1, 2 =
2 Ml
(1.2)
Tomando en cuenta que M, m, l y g siempre son cantidades positivas, se tiene que el

sistema contiene dos polos conjugados localizados en el semiplano derecho, de ah su
comportamiento inestable.
Dados los antecedentes anteriores se puede ubicar con certeza el problema principal de
este trabajo de tesis, el cual es la inestabilidad del pndulo invertido, para lo cual se
desarrollarn controladores capaces de estabilizar el sistema.
1.3.- Hiptesis
La principal inspiracin en el control de dispositivos de locomocin artificial proviene
de un principio biolgico del Generador de Patrn Central (CPG), usado para modelar el
grupo de neuronas encargado de planear y controlar el patrn de caminado. Para
implementar dicho modelo se debe de utilizar una red neuronal celular de reaccin-difusin
(Reaction-diffusion cellular neural network RD-CNN). La estructura de la red neuronal
celular es diseada utilizando circuitos analgicos. Esto hace posible realizar el caminar en
tiempo real y tambin controlar transiciones entre diversos tipos de caminar (en el caso de
robots bpedos). De este modo, es necesario disear un circuito analgico capaz de
reproducir cualitativamente a la dinmica neuronal del CPG. Este tiene la ventaja del bajo
costo de implementacin debido a la utilizacin de circuitos analgicos. Todo lo anterior
tiene como objetivo el lograr la locomocin como resultado de una dinmica oscilatoria
espaciotemporal, la cual es del mismo tipo a la que se presenta en las neuronas biolgicas
[1]. En relacin a lo anterior se plantea la siguiente hiptesis:
Es posible mejorar el desempeo del pndulo invertido mediante el diseo de un

controlador bajo el enfoque de inteligencia artificial utilizando como base los conceptos
del CPG (Central Pattern Generator) y de redes neuronales artificiales en relacin a los
controladores ya existentes.
5
1.4.- Objetivos
1.4.1.- Objetivo general
El objetivo principal de este trabajo de tesis es disear un controlador para el pndulo

invertido mediante redes neuronales analgicas. El objetivo del control es mantener en
equilibrio la varilla (0 con respecto a la vertical). El controlador se disear bajo un
enfoque de Redes Neuronales Artificiales, inspirado en principios biolgicos.
1.4.2.- Objetivos especficos
1.- Comprobar que los controladores basados en redes neuronales analgicas son adecuados
para el tipo de problema.
2.- Realizar un primer acercamiento a esta metodologa de inteligencia artificial.
3.- Desarrollar una metodologa para el diseo de una red neuronal analgica.
1.5.- Alcances y limitaciones

Alcances:
En este trabajo de tesis se realiz el modelado de la dinmica del pndulo invertido; se

efectu mediante dinmica Lagrangiana. Para el modelado se tomaron en consideracin las
fricciones tanto del carro como de la varilla del pndulo, adems de involucrarse las
inercias de los mismos.
Se dise un controlador en base a redes neuronales analgicas el cual se encarga de

llevar a cabo el objetivo de control el cual es mantener la varilla a 0 con respecto a la
vertical.
Limitaciones:
El controlador se diseo con base a la configuracin denominada Bicore inventada por

Mark Tilden [24] [25] [26].
La maqueta de pndulo invertido utilizada para llevar a cabo las pruebas es el llamado
control invertido sobre carro.
El sensor para medir el ngulo de la varilla con respecto a la vertical es un

potencimetro y las terminales de este van conectadas al arreglo electrnico del controlador
6
1.6.- JUSTIFICACIN
(configuracin Bicore); de igual forma, el sensor para medir la posicin del carro sobre el
riel es un potencimetro multivueltas.
1.6.- Justificacin
En las ltimas tres dcadas, el auge de la electrnica y las computadoras ha detonado el
desarrollo de la inteligencia artificial aplicada en el rea de control automtico. Algunas
tcnicas de control basadas en inteligencia artificial se han puesto en prctica para el
control del pndulo invertido [43] [34] [48]. Una alternativa es el enfoque de inteligencia
artificial con bases biolgicas. La utilizacin de dicho enfoque se efecta con la finalidad
de emular el comportamiento del Generador de Patrn Central biolgico.
Las funciones biolgicas, por s solas, son muy complejas; el pretender emularlas en un
cien por ciento es muy atrevido y es por eso que en esta tesis lo que se busca es tomar como
base tales principios y tratar de emularlos en la medida de lo posible para posteriormente
investigar acerca de su aplicacin como controlador y muy en particular, como controlador
para el pndulo invertido tipo carro.
El pndulo invertido es el sistema dinmico ms comnmente usado para representar la

dinmica del bpedo. Esto es vlido si hay siempre uno y slo un pie en el suelo. El robot se
representa por un punto de masa igual a la masa total del robot situado en el centro de
gravedad y una viga de masa despreciable montada alrededor del punto de contacto del pie
con el suelo. Note que para un pndulo invertido, el ZMP se localiza en el punto de
contacto con el suelo [20].
El sistema de pndulo invertido, como caso de aplicacin particular, es abordado en

este trabajo de tesis debido a que servir de pilar en la futura creacin de un prototipo de
robot bpedo.
1.7.- Aportacin
Contribuir al rea de control inteligente en el CENIDET, proponiendo un controlador
sencillo y funcional basado en redes neuronales analgicas para resolver el problema de
inestabilidad del pndulo invertido, proporcionando su teora de base, as como el diseo y
desarrollo de dicho controlador.
Otra aportacin importante es el modelado del comportamiento dinmico del pndulo

invertido mediante dinmica Lagrangiana. Es preciso decir que en la literatura, la mayora
de las veces slo se presentan modelos en funcin de transferencia y los pocos modelos
realizados mediante dinmica Lagrangiana no son mostrados en detalle.
Se investigaron a detalle todos los parmetros y especificaciones relacionadas con la

maqueta de pndulo invertido marca BYTRONIC, con la cual se efectuaron las pruebas del
controlador diseado, ya que el manual que existente en el laboratorio del dispositivo no
7
planteaba la totalidad de las especificaciones y algunas de ellas eran dudosas. Habiendo

realizado lo anterior, la maqueta de pndulo invertido queda totalmente documentada en
relacin a sus especificaciones tcnicas.
1.8.- Estado del arte
1.8.1.- Control del pndulo invertido
El control del pndulo invertido es un problema que ya se ha resuelto con anterioridad

utilizando una diversidad de tcnicas de control. En la Tabla 1.1 se citan diversas tcnicas
de control con las cuales se ha logrado controlar el pndulo invertido, as como artculos
que se relacionan con dicha tcnica.
Tabla 1.1.- Tcnicas de control utilizadas para controlar el pndulo invertido.
Tcnica de control
The fuzzy PD controller in balancing the pendulum in upright position [6]
Presented techniques incorporating neural network into Fuzzy system [22] [30] [38] [45]
Nonlinear optimization method to train a fuzzy controller for stabilization [42]
Feedback linearization and energy considerations [32]
Vertical forces to stabilize the IP [52]
Neural network, [43]
Linear control [55]
Neural network [6]
Fuzzy-logic control [34]
Discrete-time H control [49]
Fuzzy Control [36]
Fuzzy-Logic Control of an Inverted Pendulum with Vision Feedback [34]
Energy based control [23]
Sliding mode control [19]
Hybrid control [17]
Neuro-fuzzy controller [48]
Passivity [40]
Linear control [55]
De las tcnicas de control expuestas en la Tabla 1.1 se pueden generalizar dos enfoques
de solucin: el control lineal y el control no lineal.
En las ltimas tres dcadas, el auge de la electrnica y las computadoras ha detonado el

desarrollo de la inteligencia artificial aplicada en el rea de control automtico. Tcnicas de
control basadas en inteligencia artificial se han puesto en prctica para el control del
pndulo invertido.
8
1.8.2.- REDES NEURONALES ARTIFICIALES
Una alternativa es el enfoque de inteligencia artificial con bases biolgicas. Esta se basa
en conceptos de Redes Neuronales Artificiales, y en particular, en Redes Neuronales
Analgicas (RNA).
1.8.2.- Redes Neuronales Artificiales
El cerebro es un procesador de informacin con unas caractersticas inigualables: es

capaz de procesar a gran velocidad grandes cantidades de informacin procedentes de los
sentidos, combinarla o compararla con la informacin almacenada y dar respuestas
adecuadas, incluso en situaciones nuevas. Logra discernir un susurro en una sala ruidosa,
distinguir una cara en una calle mal iluminada o leer entre lneas en una declaracin
poltica; pero lo ms impresionante de todo es su capacidad de aprender a representar la
informacin necesaria para desarrollar tales habilidades sin instrucciones explcitas para
ello.
Aunque todava se ignora mucho sobre la forma en que el cerebro aprende a procesar la
informacin, se han desarrollado modelos que tratan de emular tales habilidades
denominados redes neuronales artificiales. La elaboracin de estos modelos supone en
primer lugar la deduccin de los rasgos o caractersticas esenciales de las neuronas
biolgicas y sus conexiones, y en segundo lugar, la implementacin del modelo a nivel
prctico, ya sea en una computadora de forma que se pueda simular, o mediante circuitos
electrnicos. Es obvio decir que estos modelos son idealizaciones burdas de las autnticas
redes neuronales biolgicas, pero que sin embargo resultan interesantes cuando menos por
sus capacidades de aprendizaje.
Hay muchos tipos de Redes Neuronales Artificiales, algunas de las cuales estn ms
acordes con las teoras modernas de circuitos de redes neuronales que otras. Todas ellas son
similares en el sentido de que ellas usan unidades individuales configuradas de acuerdo al
tipo de tarea que la red va a desempear.
1.8.3.- Redes Neuronales Celulares
Las redes neuronales artificiales poseen caractersticas claves como lo son el

procesamiento paralelo asncrono, dinmica de tiempo continuo y una interaccin global
entre los componentes de la red. Una nueva arquitectura de circuito llamado red neuronal
celular (cellular neural network) fue inventada y patentada en la dcada de los ochenta por
el Profesor Leon O. Chua, investigador de la Universidad de Berkeley en California. Esta
nueva arquitectura adems de poseer algunas de las caractersticas claves de las redes
neuronales artificiales, tiene adems la caracterstica de poder ser implementada mediante
circuitos analgicos.
Los circuitos analgicos han jugado un papel importante en el desarrollo de nueva

tecnologa. An en nuestra era digital, los circuitos analgicos todava dominan tales
campos como las comunicaciones, la potencia, el control automtico, electrnica de audio y
9
video debido a sus capacidades de procesamiento de seales en tiempo real y a su bajo

costo de implementacin.
1.9.- Panorama de la tesis.

El presente trabajo de tesis consta de 5 captulos, los cuales se describen brevemente a
continuacin:
El Captulo 2 presenta los principios biolgicos y funcionamiento de las neuronas,

aunado con una descripcin de los modelos matemticos de sus respuestas. Tambin se
presenta la manera en que estos principios biolgicos se conectan con las redes neuronales
artificiales y cmo estas ltimas pueden ser implementadas mediante circuitos electrnicos
basados en amplificadores operacionales.
En el Captulo 3 se estudia la dinmica del pndulo invertido y la representacin del

mismo mediante un modelo matemtico.
El Captulo 4 presenta el diseo del controlador para el pndulo invertido utilizando

redes neuronales analgicas, as como tambin se realizan pruebas a dicho controlador con
el fin de validar los resultados obtenidos.
Finalmente en el Captulo 5 se abordar las conclusiones de lo desarrollado a lo largo

de la tesis y se plantear acerca de los trabajos futuros a partir de este trabajo de tesis.
10
Captulo 2
Redes neuronales
En este captulo se presenta los principios biolgicos y funcionamiento de las neuronas,

aunado con una descripcin de los modelos matemticos de sus respuestas. Tambin se
presenta la manera en que estos principios biolgicos se conectan con las redes neuronales
artificiales y cmo estas ltimas pueden ser implementadas mediante circuitos electrnicos
basados en amplificadores operacionales.
2.1.- Redes neuronales artificiales
2.1.1.- Descripcin de una neurona biolgica
Las redes neuronales artificiales son modelos que aproximan funciones. Ellas estn
inspiradas en la constitucin de neuronas individuales que tiene el cerebro. Cada neurona
tiene una funcin especfica y muchas neuronas interactan unas con otras con el fin de
ejecutar tareas complejas.
Una neurona biolgica es una clula viva y como tal, contiene los mismos elementos
que forman parte de todas las clulas biolgicas. Adems, contienen elementos
caractersticos que las diferencian. En general, una neurona consta de un cuerpo esfrico, de
5 a 10 micras de dimetro, del que salen una rama principal, el axn y varias ramas ms
cortas, llamadas dendritas (Figura 2.1). A su vez, el axn puede producir ramas en torno a
su punto de arranque y con frecuencia, se ramifica extensamente cerca de su extremo [37].
Figura 2.1.- Estructura bsica de una neurona biolgica.
11
CAPTULO 2.- REDES NEURONALES
Unas de las caractersticas que diferencian a las neuronas del resto de las clulas vivas,
es su capacidad de comunicarse. En trminos generales, las dendritas y el cuerpo celular
reciben seales de entrada; el cuerpo las combina e integra y emite seales de salida. El
axn transporta estas seales a las terminales axnicos, que se encargan de distribuir
informacin a un nuevo conjunto de neuronas. Por lo general, una neurona recibe
informacin de miles de otras neuronas y, a su vez, enva informacin a miles de neuronas
ms. Se calcula que en el cerebro humano existen del orden de 1015 conexiones.
La seal generada por la neurona y transportada a lo largo del axn es un impulso

elctrico, mientras que la seal que se transmite entre los terminales axnicos de una
neurona y las dendritas de las neuronas siguientes es de origen qumico; concretamente, se
realiza mediante molculas de sustancias transmisoras (neurotransmisores) que fluyen a
travs de unos contactos especiales llamados sinapsis, que tienen la funcin de receptor y
estn localizadas entre los terminales axnicos y las dendritas de la neurona siguiente.
2.1.2.- Naturaleza bioelctrica de la neurona
La generacin de las seales elctricas esta ntimamente relacionada con la

composicin de la membrana celular. Existen muchos procesos complejos relacionados con
la generacin de dichas seales, sin embargo se pueden simplificar del siguiente modo: la
neurona, como todas las clulas, es capaz de mantener en su interior un lquido cuya
composicin difiere marcadamente de la composicin del lquido del exterior. La diferencia
ms notable se da en relacin con la concentracin de los iones sodio y potasio. El medio
externo es en promedio diez veces ms rico en sodio que el interno, mientras que el medio
interno es unas diez veces ms rico en potasio que el externo. Esta diferencia de
concentracin en iones sodio y potasio a cada lado de la membrana produce una diferencia
de potencial de aproximadamente 70 milivoltios, negativa en el interior de la clula. Es lo
que se llama potencial de reposo de la clula nerviosa.
La llegada de seales procedentes de otras neuronas a travs de las dendritas (recepcin

de neurotransmisores) acta acumulativamente, bajando ligeramente el valor del potencial
de reposo. Dicho potencial modifica la permeabilidad de la membrana, de manera que
cuando llega a cierto valor crtico comienza una entrada masiva de iones sodio que
invierten la polaridad de la membrana.
La inversin del voltaje de la cara interior de la membrana cierra el paso a los iones
sodio y abre el paso a los iones potasio hasta que se restablece el equilibrio en reposo. La
inversin del voltaje, conocida como potencial de accin (Figura 2.2), se propaga a lo largo
del axn y, a su vez, provoca la emisin de los neurotransmisores en los terminales
axnicos.
12
2.1.3- MODELO DE LA DINMICA NEURONAL
Figura 2.2.- Tiempo de respuesta en un punto de una membrana experimentando un

potencial de accin.
Despus de un pequeo perodo refractario, puede seguir un segundo impulso. El

resultado de todo esto es la emisin por parte de la neurona de trenes de impulsos cuya
frecuencia vara en funcin de la cantidad de neurotransmisores recibidos [12] [37] [54].
Existen dos tipos de sinapsis: a) las sinapsis excitadoras, cuyos neurotransmisores

provocan disminuciones de potencial en la membrana de la clula postsinptica, facilitando
la generacin de impulsos a mayor velocidad, y b) las sinapsis inhibidoras, cuyos
neurotransmisores tienden a estabilizar el potencial de la membrana, dificultando la
emisin de impulsos. Casi todas las neuronas reciben entradas procedentes de sinapsis
excitadoras e inhibidoras. En cada instante, algunas de ellas estarn activas y otras se
hallarn en reposo; la suma de los efectos excitadores e inhibidores determina si la clula
ser o no estimulada; es decir, si emitir o no un tren de impulsos y con que frecuencia.
2.1.3.- Modelo de la dinmica neuronal
Para establecer una similitud directa entre la actividad sinptica y la analoga con las
redes neuronales artificiales, vamos a fijar los siguientes aspectos: Las seales que llegan a
la sinapsis son las entradas a la neurona; estas son ponderadas (atenuadas o amplificadas) a
travs de un parmetro, denominado peso, asociado a la sinapsis correspondiente. Estas
seales de entrada pueden excitar a la neurona (sinapsis con peso positivo) o inhibirla (peso
negativo). El efecto es la suma de las entradas ponderadas. Si la suma es igual o mayor que
el umbral de la neurona, entonces la neurona se activa (da salida) [41]. Esta es una
situacin todo o nada; cada neurona se activa o no se activa. La facilidad de transmisin de
seales se altera mediante al actividad del sistema nervioso. Las sinapsis son susceptibles a
la fatiga, deficiencia de oxgeno y agentes tales como los anestsicos. Otros eventos pueden
incrementar el grado de activacin. Esta habilidad de ajustar seales es un mecanismo de
aprendizaje. Las funciones de umbral integran la energa de las seales de entrada en el
espacio y en el tiempo.
13
Para entender como formular un modelo matemtico de la neurona, se requiere explicar

las propiedades elctricas de la membrana celular. Se reconocen tres diferentes
componentes de una membrana, los cuales son llamados sodio, potasio y fuga. Hoy en da,
los nombres de canal-Na y canal-K son aceptados universalmente para los correspondientes
canales inicos en los axones. El nombre de canal de fuga es tambin usado, aunque no
existe una evidencia prctica en relacin a los iones o al mecanismo de transporte que este
involucra. Mientras que los canales de sodio y de potasio tienen resistencias dependientes
del voltaje, el canal de fuga tiene conductancias que son constantes. En una primera
aproximacin, la ley de corriente-voltaje es lineal para cualquier canal en cuestin (Ec. 2.1)
[37]:
I j = g j (V E j )
(2.1)
Donde Ej es el potencial de equilibrio del in en el j-simo canal, gj es la conductancia

del canal, Ij es la corriente del canal y V es la membrana de potencial. Para contener
muchos canales conductores, el lpido bicapa de la membrana biolgica separa soluciones
conductoras internas y externas mediante una muy delgada capa aislante. Tal estrecha
abertura entre los dos conductores, forman necesariamente un capacitor elctrico C
significativo. Habiendo explicado el comportamiento bsico de la membrana, una neurona
puede ser vista como un circuito RC (Figura 2.3) [37].
Figura 2.3.- Circuito RC de una neurona mostrando los canales de sodio, potasio y de
fuga.
La ecuacin del circuito correspondiente a la Figura 2.3 es obtenida de la siguiente manera:
dV
C = I Na I K I l + I in
dt
(2.2)
14
2.1.3- MODELO DE LA DINMICA NEURONAL
donde Iin es la corriente inyectada a la clula y INA, IK y Il son las corrientes de sodio,
potasio y la de fuga respectivamente. Combinando las ecuaciones (2.1) y (2.2), se obtiene
dV
C = g Na (V ENa ) g K (V EK ) gl (V El ) + I in
dt
(2.3)
El trabajo de Hodgking y Huxley (1952) propone que las conductancias de sodio y

potasio dependientes de voltaje estn dadas como g Na = g Na m3h y g K = g K n3 donde g Na y
g K son constantes, m, h, y n son manejadas mediante las siguientes ecuaciones
diferenciales:
dm m m m 1
= m = m =
dt m m + m m + m
dh h h h 1
= h = h =
dt h h + h h + h
dn n n n 1
= n = n =
dt n n + n n + n
(2.4)
y m , m , h , h , n , n son funciones no lineales de voltaje, que con frecuencia tienen

discontinuidades. En lugar de tratar con este sistema complicado, es comn en la prctica
simplificar el sistema fundamental mientras que se conservan algunas de las caractersticas
bsicas de la cintica de Hodgking y Huxley. Estas simplificaciones muchas veces tienen la
forma de un sistema dinmico de segundo orden y con frecuencia son referidos a modelos
de dos variables. Por ejemplo la dinmica correspondiente a la variable m es relativamente
rpida comparadas con las variables h y n; entonces, es razonable aproximar el valor de m
mediante el estado estable m. De acuerdo a investigaciones ya realizadas, la ecuacin de la
membrana de la neurona de un mamfero puede ser escrita como:
dV
C = m (V ENa ) 26 R (V EK ) + I in
dt
dR R R
=
dt R
(2.5)
donde m y R son polinomios de orden dos.
m = 17.8 + 47.6V + 33.8V 2

R = 1.24 + 3.7V + 3.2V 2
Y donde la corriente de fuga ha sido eliminada mediante cambio de variables. Para
15
mantener las constantes dentro de un lmite razonable, la membrana de potencial ha sido

dividida entre 100. Dada esta convencin, ENa = 0.5 y EK = 0.95 corresponden a 50 mV
y -95 mV respectivamente. Para una corriente de entrada I in = 0.2nA , se observa un
potencial de accin tal y como se muestra en la Figura 2.4. La frecuencia del potencial de
accin depende de la amplitud de I in (Figura 2.4). As, la frecuencia de V codifica la seal
analgica I in . Esta idea es conocida como taza de codificacin.
Figura 2.4.- Potencial de accin en la membrana de potencial como respuesta ante una
corriente inyectada.
2.1.4.- El Generador Central de Patrones (CPG): una inspiracin

biolgica para el control automtico
Los generadores centrales de patrones (CPGs) son redes neuronales biolgicas que
generan movimientos sincronizados de locomocin en animales (Figura 2.5) [31], tales
como caminar, correr, nadar y volar. El movimiento sincronizado generado por los CPGs
induce una coordinacin de las partes fsicas [14]. Adems, se cree que un movimiento
rtmico surge como un ciclo limitado y estable de un entrenamiento global entre el sistema
neurolgico que incluye el CPG y el sistema fsico, los cuales interactan recprocamente
en un ambiente variante. Como resultado, es posible lograr una alta autonoma de
adaptacin a los ambientes imprevisibles durante la locomocin [3] [7] [29].
Figura 2.5.- El Generador de Patrn Central.
16
2.2.- CARACTERSTICAS DE LAS REDES NEURONALES ARTIFICIALES
El CPG consiste en un grupo de osciladores neuronales, situados en los ganglios o en la

espina dorsal. Inducido por las entradas de las neuronas de control, el CPG genera
automticamente un modelo sincronizado de actividad nerviosa, produciendo un
movimiento sincronizado para la locomocin de animales.
El CPG es capaz de modelar funcionalmente las estructuras neuronales dedicadas a

generar y controlar la locomocin animal [3] [7] [29]. Un punto clave es disear
apropiadamente la dinmica bsica para un sistema anlogo a dichas estructuras, el cual sea
capaz de producir seales que cualitativamente corresponda a la dinmica neurolgica. Una
comparacin directa entre las propiedades de las seales neuronales y algunos modelos
matemticos de la dinmica espaciotemporal muestran que las seales que se propagan a
travs de neuronas vivas son oscilantes [1] [2] [16].
En la siguiente seccin y despus de haber expuesto los principios y fundamentos de las

neuronas biolgicas, se abordarn las caractersticas de las redes neuronales artificiales, que
servirn de base para el estudio y el diseo del controlador neuronal analgico.
2.2.- Caractersticas de las redes neuronales artificiales.

Hay muchos tipos de Redes Neuronales Artificiales, algunas de las cuales estn ms
acordes con las teoras modernas de circuitos de redes neuronales que otras. Todas ellas son
similares en el sentido de que ellas usan unidades individuales configuradas de acuerdo al
tipo de tarea que la red supuestamente va a aprender.
La informacin que se presenta en este apartado, as como la del apartado 2.3 se

sustenta en las referencias [12] y [20].
En todo modelo artificial de neurona se tienen cuatro elementos bsicos:
a).- Un conjunto de conexiones, pesos o sinapsis que determinan el comportamiento de la

neurona. Estas conexiones pueden ser excitadoras (presentan un signo positivo), o
inhibidoras (conexiones negativas).
b).- Un sumador que se encarga de sumar todas las entradas multiplicadas por las
respectivas sinapsis.
c).- Una funcin de activacin no lineal para limitar la amplitud de la salida de la neurona.
d).- Un umbral exterior que determina el umbral por encima del cual la neurona se activa.
Esquemticamente, una neurona artificial quedara representada por la Figura 2.6:
17
Figura 2.6.- Esquema de un modelo neuronal.
Los elementos bsicos comentados anteriormente se pueden conectar entre s para dar
lugar a las estructuras neuronales o modelos conexionistas que podramos clasificar de
diferentes formas segn el criterio usado [21].
Clasificacin: Segn el nmero de capas
Redes neuronales monocapas. Es la red neuronal ms sencilla ya que se tiene una capa
de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan
diferentes clculos. La capa de entrada, por no realizar ningn clculo, no se cuenta; de ah
el nombre de redes neuronales con una sola capa. Una aplicacin tpica de este tipo de
redes es como memorias asociativas.
Redes neuronales multicapa. Las redes multicapa son aquellas que disponen de
conjuntos de neuronas agrupadas en varios niveles o capas. En estos casos, una forma para
distinguir la capa a la que pertenece una neurona, consistira en fijarse en el origen de las
seales que recibe a la entrada y el destino de la seal de salida. Normalmente, todas las
neuronas de una capa reciben seales de entrada de otra capa anterior, ms cercana a la
entrada de la red, y envan las seales de salida a una capa posterior, ms cercana a la salida
de la red. A estas conexiones se les denomina conexiones hacia delante o feedforward.
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 les denomina conexiones hacia atrs o feedback.
Estas dos posibilidades permiten distinguir entre dos tipos de redes con mltiples capas:
las redes con conexiones hacia adelante o redes feedforward, y las redes que disponen de
conexiones tanto hacia delante como hacia atrs o redes feedforward/feedback.
Clasificacin: Segn el tipo de conexiones
Redes neuronales no recurrentes. En esta red la propagacin de las seales se produce

en un sentido solamente, no existiendo la posibilidad de realimentaciones. Lgicamente
estas estructuras no tienen memoria.
18
2.2.1.- MECANISMO DE APRENDIZAJE
Redes neuronales recurrentes. Esta red viene caracterizada por la existencia de lazos de
realimentacin. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la
misma capa o, ms sencillamente, entre una misma neurona. Esta estructura recurrente la
hace especialmente adecuada para estudiar la dinmica de sistemas no lineales.
Clasificacin: Segn el grado de conexin
Redes neuronales totalmente conectadas. En este caso todas las neuronas de una capa se
encuentran conectadas con las de la capa siguiente (redes no recurrentes) o con las de la
anterior (redes recurrentes).
Redes parcialmente conectadas. En este caso no se da la conexin total entre neuronas

de diferentes capas.
2.2.1.- 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 entre las
neuronas. En los sistemas biolgicos existe una continua creacin y destruccin 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. De la
misma forma, una conexin se destruye cuando su peso pasa a ser 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 (dw/dt=0).
Un aspecto importante respecto al aprendizaje en las redes neuronales es el conocer

como se modifican los valores de los pesos, es decir, cules son los criterios que se siguen
para cambiar el valor 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. De

forma general, se suelen considerar dos tipos de reglas: las que responden a lo que
habitualmente se conoce como aprendizaje supervisado, y correspondientes a un
aprendizaje no supervisado.
Es por ello por lo que una de las clasificaciones que se realizan de las redes neuronales
obedece al tipo de aprendizaje utilizado por dichas redes. As se pueden distinguir:
- Redes neuronales con aprendizaje supervisado.

- Redes neuronales con aprendizaje no supervisado.
19
La diferencia fundamental entre ambos tipos estriba 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 tratara de un aprendizaje ON LINE, mientras que el segundo es lo que se
conoce como aprendizaje OFF LINE.
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 prueba que sern utilizados en la
correspondiente fase. En las redes con aprendizaje OFF LINE, los pesos de las conexiones
permanecen fijos despus que termina la etapa de entrenamiento de la red. Debido
precisamente a su carcter esttico, estos sistemas no presentan problemas de estabilidad en
su funcionamiento.
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. En este tipo de redes, debido al carcter dinmico de las
mismas, el estudio de la estabilidad suele ser un aspecto fundamental de estudio.
2.2.2.- Redes con aprendizaje supervisado
El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza

mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que
determina la respuesta que debera generar la red a partir de una entrada determinada. El
supervisor comprueba la salida de la red y en el caso de que esta no coincida con la
deseada, se proceder a modificar los pesos de las conexiones, con el fin de conseguir que
la salida obtenida se aproxime a la deseada.
En este tipo de aprendizaje se suelen considerar, a su vez, tres formas de llevado a cabo
que dan lugar a los siguientes aprendizajes supervisados:
- Aprendizaje por correccin de error.

- Aprendizaje por refuerzo.
- Aprendizaje estocstico.
2.2.3.- Redes con aprendizaje no supervisado
Las redes con aprendizaje no supervisado (tambin conocido como auto-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
20
2.2.3.- REDES CON APRENDIZAJE NO SUPERVISADO
generada en respuesta a una determinada entrada es o no 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 presenten en su entrada. Puesto que no hay
un supervisor que indique a la red la respuesta que debe generar ante una entrada concreta,
cabra preguntarse precisamente que es lo que la red genera en estos casos. Existen varias
posibilidades en cuanto a la interpretacin de la salida de estas redes, que dependen de su
estructura y del algoritmo de aprendizaje empleado.
En algunos casos, la salida representa el grado de familiaridad o similitud entre la

informacin que se le esta presentando en la entrada y las informaciones que se le han
mostrado hasta entonces (en el pasado). En otro caso, podra realizar una clusterizacin
(clustering) o establecimiento de categoras, indicando la red a la salida a que categora
pertenece la informacin presentada a la entrada, siendo la propia red quien debe encontrar
las categoras apropiadas a partir de 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.
Tambin el aprendizaje sin supervisin permite realizar una codificacin de los datos de
entrada, generando a la salida una versin codificada de la entrada, con menos bits, pero
manteniendo la informacin relevante de los datos.
Finalmente, algunas redes con aprendizaje no supervisado lo que realizan es un mapeo

de caractersticas (feature mapping), 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.
En cuanto a los algoritmos de aprendizaje no supervisado, en general se suelen

considerar dos tipos que dan lugar a los siguientes aprendizajes:
- Aprendizaje hebbiano.
- Aprendizaje competitivo y cooperativo.
En el primer caso, normalmente se pretende medir la familiaridad o extraer

caractersticas de los datos de entrada, mientras que el segundo suele orientarse hacia la
clusterizacin o clasificacin de dichos datos.
21
2.3.- Principales tipos de redes neuronales artificiales
2.3.1.- El Perceptrn
Este fue el primer modelo de la red neuronal artificial desarrollado por Rosenblatt en
1958. Despert un enorme inters en los aos sesenta, debido a su capacidad para aprender
a reconocer patrones sencillos: un Perceptrn, formado por varias neuronas lineales para
recibir las entradas a la red y una neurona de salida, es capaz de decidir cundo una entrada
presentada a la red pertenece a una de las dos clases que es capaz de reconocer.
La nica neurona de salida del Perceptrn realiza la suma ponderada de las entradas,
resta el umbral y pasa el resultado a una funcin de transferencia de tipo escaln. La regla
de decisin es responder +1 si el patrn presentado pertenece a la clase A, o -1 si e1 patrn
pertenece a la clase B (Figura 2.7). La salida depender de la entrada neta (suma de las
entradas xi ponderadas) y del valor umbral i.
Figura 2.7.- El Perceptrn.
Una tcnica utilizada para analizar el comportamiento de redes como el Perceptrn es

representar en un mapa las regiones de decisin creadas en el espacio multidimensional de
entradas a la red. En estas regiones se visualiza que patrones pertenecen a una clase y
cuales a otra. EI Perceptrn separa las regiones por un hiperplano cuya ecuacin queda
determinada por los pesos de las conexiones y el valor umbral de la funcin de activacin
de la neurona. En este caso, los valores de los pesos pueden fijarse o adaptarse utilizando
diferentes algoritmos de entrenamiento de la red.
Sin embargo, el Perceptrn, al constar slo de una capa de entrada y otra de salida con
una nica neurona, tiene una capacidad de representacin bastante limitada. Este modelo
slo es capaz de discriminar patrones muy sencillos, linealmente separables. El caso mas
conocido es la imposibilidad del Perceptrn de representar la funcin OR-EXCLUSIVA.
22
2.3.2.- LAS REDES ADALINE Y MADALINE
La separabilidad lineal limita a las redes con slo dos capas a la resolucin de
problemas en los cuales el conjunto de puntos (correspondientes a los valores de entrada)
sean separables geomtricamente. En el caso de dos entradas, la separacin se lleva a cabo
mediante una lnea recta. Para tres entradas, la separacin se realiza mediante un plano en
el espacio tridimensional, y as sucesivamente hasta el caso de N entradas, en el cual el
espacio N-dimensional es dividido en un hiperplano.
Regla de aprendizaje del Perceptrn.
El algoritmo de aprendizaje del Perceptrn es de tipo supervisado, lo cual requiere que

sus resultados sean evaluados y se realicen las oportunas modificaciones del sistema si
fuera necesario. Los valores de los pesos pueden determinar, como se ha dicho, el
funcionamiento de la red; estos valores se pueden fijar o adaptar utilizando diferentes
algoritmos de entrenamiento de la red. Se pueden usar Perceptrones como mquinas
universales de aprendizaje. Desgraciadamente, no puede aprender a realizar todo tipo de
clasificaciones: en realidad, slo se pueden aprender clasificaciones. Esta limitacin se
debe a que un Perceptrn usa un separador lineal como clula de decisin, con lo cual no es
posible realizar sino una sola separacin lineal (por medio de un hiperplano).
2.3.2.- Las redes ADALINE y MADALINE.
Las redes ADALINE (ADAptive LINear Element) y MADALINE (Multiple

ADALINE) fueron desarrolladas por Bernie Widrow en la Universidad de Stanford poco
despus de que Rosenblatt desarrollara el Perceptrn. Las arquitecturas de ADALINE y
MADALINE son esencialmente las mismas que las del Perceptrn. Ambas estructuras usan
neuronas con funciones de transferencia esca1n. La red ADALINE esta limitada a una
nica neurona de salida, mientras que MADALINE puede tener varias. La diferencia
fundamental respecto al Perceptrn se refiere al mecanismo de aprendizaje. ADALINE y
MADALINE utilizan la denominada regla Delta de Hidrow-Hoff o algoritmo de mnimos
cuadrados (LMS), basada en la bsqueda del mnimo de una expresin del error entre la
salida deseada y la salida lineal obtenida antes de aplicarle la funcin de activacin esca1n
(frente a la salida binaria utilizada en el caso del Perceptrn). Debido a esta nueva forma de
evaluar el error, estas redes pueden procesar informacin ana1gica, tanto de entrada como
de salida, utilizando una funcin de activacin lineal o sigmoidal.
En cuanto a la estructura de la red ADALINE, que es casi idntica a la del Perceptrn

elemental, sus autores la consideran formada por un elemento denominado combinador
lineal adaptable (ALC), que obtiene una salida lineal (s) que puede ser aplicada a otro
elemento de conmutacin bipolar, de forma que si la salida del ALC es positiva, la salida de
la red ADALINE es +1; si la salida del ALC es negativa, entonces la salida de la red
ADALINE es -1 (Figura 2.8).
23
Figura 2.8.- Estructura de la red ADALINE, compuesta por un combinador adaptativo

lineal y una funcin de salida bipolar.
Las redes ADALINE y MADALINE utilizan un aprendizaje OFF-LINE con

supervisin denominado LMS (Least Mean Squared) o algoritmo de mnimos cuadrados.
Tambin se conoce como regla delta porque trata de minimizar una delta o diferencia entre
el valor observado y el deseado en la salida de la red; como ocurre con el Perceptrn, slo
que ahora la salida considerada es el valor previo a la aplicacin de la funcin de activacin
de la neurona o, si se prefiere, la salida obtenida al aplicar una funcin de activacin lineal.
La red MADALINE.
La red MADALINE (Multiple ADALINE) surge como una combinacin de mdulos

ADALINE bsicos en una estructura de capas que supera algunas de las limitaciones de la
red ADALINE original (Figura 2.9).
Figura 2.9.- Forma general de una red neuronal tipo MADALINE.
24
2.3.3.- LA RED BACKPROPAGATION
El entrenamiento de estas redes no puede ser el mismo que el de la red ADALINE. El

algoritmo LMS podra aplicarse a la capa de salida, puesto que conocemos el vector de
salida deseado para cada una de las tramas de entrada de entrenamiento. Sin embargo, lo
que se desconoce es la salida deseada para los nodos de cada una de las capas ocultas.
Adems, el algoritmo LMS funciona para las salidas lineales (analgicas) del combinador
adaptativo y no para las digitales de ADALINE. La forma de aplicar las ideas del algoritmo
LMS para entrenar una estructura tipo MADALINE pasa por sustituir la funcin de salida
por una funcin continua derivable (la funcin umbral es discontinua en 0 y, por lo tanto,
no derivable en ese punto).
2.3.3.- La red BACKPROPAGATION.
En 1986, Rimel Hall, Hinton y Williams, basndose en los trabajos de otros

investigadores formalizaron un mtodo para que una red neuronal aprendiera la asociacin
que existe entre los patrones de entrada a la misma y las clases correspondientes, utilizando
ms niveles de neuronas que los que utiliz Rosenblatt para desarrollar el Perceptrn. Este
mtodo, conocido en general como backpropagation (propagacin del error hacia atrs),
est basado en la generalizacin de la regla delta y, a pesar de sus propias limitaciones, ha
ampliado de forma considerable el rango de aplicaciones de las redes neuronales.
El algoritmo de propagacin hacia atrs, o retropropagacin, es una regla de aprendizaje

que se puede aplicar en modelos de redes con ms de dos capas de clulas. Una
caracterstica importante de este algoritmo es la representacin interna del conocimiento
que es capaz de organizar en la capa intermedia de las clulas para conseguir cualquier
correspondencia entre la entrada y la salida de la red.
De forma simplificada, el funcionamiento de una red backpropagation (back

propagation net, BPN) consiste en un aprendizaje de un conjunto predefinido de pares de
entradas-salidas dados como ejemplo, empleando un ciclo propagacin-adaptacin de dos
fases: primero se aplica un patrn de entrada como estmulo para la primera capa de las
neuronas de la red, se va propagando a travs de todas las capas superiores hasta generar
una salida, se compara el resultado obtenido en las neuronas de salida con la salida que se
desea obtener y se calcula un valor del error para cada neurona de salida. A continuacin,
estos errores se transmiten hacia atrs, partiendo de la capa de salida, hacia todas las
neuronas de la capa intermedia que contribuyan directamente a la salida, recibiendo el
porcentaje de error aproximado a la participacin de la neurona intermedia en la salida
original. Este proceso repite, capa por capa, hasta que todas las neuronas de la red hayan
recibido un error que describa su aportacin relativa al error total. Basndose en el valor del
error recibido, se reajustan los pesos de conexin de cada neurona, de manera que en la
siguiente vez que se presente el mismo patrn, la salida est ms cercana a la deseada; es
decir, el error disminuya.
La importancia de la red backpropagation consiste en su capacidad de auto-adaptar los

pesos de las neuronas de las capas intermedias para aprender la relacin que existe entre un
conjunto de patrones dados como ejemplo y sus salidas correspondientes. Para poder
25
aplicar esa misma relacin, despus del entrenamiento, a nuevos vectores de entrada con
ruido o incompletas, dando un salida activa si la nueva entrada es parecida a las presentadas
durante el aprendizaje. Esta caracterstica importante, que se exige a los sistemas de
aprendizaje, es la capacidad de generalizacin, entendida como la facilidad de dar salidas
satisfactorias a entradas que el sistema no ha visto nunca en su fase de entrenamiento. La
red debe encontrar una representacin interna que le permita generar las salidas deseadas
cuando se le dan las entradas de entrenamiento, y que pueda aplicar, adems, a entradas no
presentadas durante la etapa de aprendizaje para clasificarlas segn las caractersticas que
compartan con los ejemplos de entrenamiento.
Estructura y aprendizaje de la red backpropagation.
En una red backpropagation existe una capa de entrada con N neuronas y una capa de
salida con M neuronas y al menos una capa oculta de neuronas internas. Cada neurona de
una capa (excepto las de entrada) recibe entradas de todas las neuronas de la capa anterior y
enva su salida a todas las neuronas de la capa posterior (excepto las de salida). No hay
conexiones hacia atrs feedback ni laterales entre neuronas de la misma capa (Figura 2.10).
Como se coment anteriormente, la aplicacin del algoritmo backpropagation tiene dos
fases, una hacia adelante y otra hacia atrs. Durante la primera fase el patrn de entrada es
presentado a la red y propagado a travs de las capas hasta llegar a la capa de salida.
Obtenidos los valores de salida de la red, se inicia la segunda fase, comparndose estos
valores con la salida esperada para obtener el error. Se ajustan los pesos de la ltima capa
proporcionalmente al error. Se pasa a la capa anterior con una retropropagacin del error
(backpropagation), ajustando convenientemente los pesos y continuando con este proceso
hasta llegar a la primera capa. De esta manera se han modificado los pesos de las
conexiones de la red para cada ejemplo o patrn de aprendizaje del problema, del que
conocamos su valor de entrada y la salida deseada que debera generar la red ante dicho
patrn.
Figura 2.10.- Modelo de arquitectura de una red backpropagation.
26
2.3.4.- EL MODELO DE HOPFIELD
A diferencia de la regla delta en el caso del Perceptrn, la tcnica backpropagation o

generalizacin de la regla delta, requiere el uso de neuronas cuya funcin de activacin sea
continua, y por tanto, diferenciable. Generalmente, la funcin utilizada ser del tipo
sigmoidal.
2.3.4.- El modelo de Hopfield
Sin duda, uno de los principales responsables del desarrollo que ha experimentado el
campo de la computacin neuronal ha sido J. Hopfield, quien construy un modelo de red
con el nmero suficiente de simplificaciones como para poder extraer analticamente
informacin sobre las caractersticas relevantes del sistema, conservando las ideas
fundamentales de las redes construidas en el pasado y presentando una serie de funciones
bsicas de sistemas neuronales reales. Adems, Hopfield supo establecer un paralelismo
entre su modelo y ciertos sistemas extensamente estudiados en fsica estadstica, lo cual ha
permitido aplicar todo un conjunto de tcnicas bien conocidas en este campo y, con ello,
producir un avance en la comprensin del funcionamiento de las redes neuronales.
Con su aportacin, Hopfield redescubri el mundo casi olvidado de las redes

autoasociativas, caracterizadas por una nueva arquitectura y un nuevo funcionamiento, a las
que se tuvo que aadir otro tipo de reglas de aprendizaje. Las consecuencias fueron redes
con un comportamiento diferente a las diseadas con estructura feedforward
(ADALINE/MADALINE, PERCEPTRN, etc.).
El modelo de Hopfield (Figura 2.11) consiste en una red monocapa con N neuronas
cuyos valores de salida son binarios: 0/1 -1/+1. En la versin original del modelo (DH:
Discrete Hopfield) las funciones de activacin de las neuronas eran del tipo escaln. Se
trataba, por tanto, de una red discreta, con entradas y salidas binarias; sin embargo,
posteriormente Hopfield desarroll una versin continua con entradas y salidas analgicas,
utilizando neuronas con funciones de activacin tipo sigmoidal (CH: Continous Hopfield).
Cada neurona de la red se encuentra conectada a todas las dems (conexiones laterales),
pero no consigo misma (no existen conexiones autorrecurrentes). Adems, los pesos
asociados a las conexiones entre pares de neuronas son simtricos. Esto significa que el
peso de la conexin de una neurona i con otra neurona j es de igual valor que el de la
conexin de la neurona j con la i (Wij = Wji).
La versin discreta de esta red fue ideada para trabajar con valores binarios -1 y +1
(aunque mediante un ajuste en los pesos pueden utilizarse en su lugar valores 1 y 0). Por lo
tanto, la funcin de activacin de cada neurona (i) de la red (f(x)) es de tipo escaln.
27
Figura 2.11.- Red Hopfield.
2.3.5.- El modelo de Kohonen
Existen evidencias que demuestran que en el cerebro hay neuronas que se organizan en
muchas zonas, de forma que las informaciones captadas del entorno a travs de los rganos
sensoriales se representan internamente en forma de mapas bidimensionales. Por ejemplo,
en el sistema visual se han detectado mapas del espacio visual en zonas del crtex (capa
externa del cerebro). Tambin en el sistema auditivo se detecta una organizacin segn la
frecuencia a la que cada neurona alcanza la mayor respuesta (organizacin tonotpica).
Aunque en gran medida esta organizacin neuronal esta predeterminada genticamente,

es probable que parte de ella se origine mediante el aprendizaje. Esto sugiere, por tanto, que
el cerebro podra poseer la capacidad inherente de formar mapas topolgicos de las
informaciones recibidas del exterior. De hecho, esta teora podra explicar su poder de
operar con elementos semnticos: algunas reas del cerebro simplemente podran crear y
ordenar neuronas especializadas o grupos con caractersticas de alto nivel y sus
combinaciones. Se tratara, en definitiva, de construir mapas espaciales para atributos y
caractersticas.
A partir de estas ideas, T. Kohonen present en 1982 un sistema con un

comportamiento semejante. Se trataba de un modelo de red neuronal con capacidad para
formar mapas de caractersticas de manera similar a como ocurre en el cerebro. El objetivo
de Kohonen era demostrar que un estmulo externo (informacin de entrada) por s solo,
suponiendo una estructura propia y una descripcin funcional del comportamiento de la red,
era suficiente para forzar la formacin de los mapas.
Este modelo tiene dos variantes, denominadas LVQ (Learning Vector Quantization) y
TPM (Topology-Preserving Map) o SOM (Self-Organizing Map). Ambas se basan en el
principio de formacin de mapas topolgicos para establecer caractersticas comunes entre
las informaciones (vectores) de entrada a la red, aunque difieren en las dimensiones de
estos, siendo de una sola dimensin en el caso de LVQ, y bidimensional e incluso
tridimensional, en la red TPM.
28
2.4.- REDES NEURONALES CELULARES
2.4.- Redes Neuronales Celulares
Los circuitos analgicos han jugado un papel importante en el desarrollo de nueva

tecnologa. An en nuestra era digital, los circuitos analgicos todava dominan tales
campos como las comunicaciones, la potencia, el control automtico, electrnica de audio y
video debido a sus capacidades de procesamiento de seales en tiempo real.
Los mtodos de convencionales de computacin han topado con un cuello de botella en

lo que a velocidad se refiere debido a su naturaleza serial. Para vencer este problema, se
han propuesto las redes neuronales analgicas, las cuales estn basadas en algunos aspectos
de neurobiologa y adaptado a circuitos integrados. Las caractersticas claves de las redes
neuronales son el procesamiento paralelo asncrono, dinmica de tiempo continuo y una
interaccin global entre los componentes de la red. Algunas de estas caractersticas son
prometedoras en aplicaciones de redes neuronales para varios campos de aplicacin tales
como la optimizacin, la programacin lineal y no lineal, memoria asociativa, patrones de
reconocimiento y visin computacional.
Una arquitectura novedosa es la de un circuito llamado Red Neuronal Celular (Cellular

Neural Network), la cual posee algunas de las caractersticas claves de las redes neuronales
y la cual tiene potencial aplicacin en reas tales como el procesamiento de imgenes y
patrones de reconocimiento.
En esta tesis no es evidente el potencial de las redes analgicas sobre las digitales, ya
que la red a utilizar constar nicamente de dos neuronas; no obstante, en otras aplicaciones
de control con este tipo de redes donde el nmero de neuronas involucradas sea mayor y,
por consiguiente, el modelo de la red neuronal sea de orden superior, las redes neuronales
analgicas tendrn un potencial mucho mayor frente a las digitales, en el sentido de
entregar una respuesta instantnea en tiempo real.
2.4.1.- Autowaves y Turing patterns.
El trmino autowave significa autonomous waves (ondas autnomas). Ellas

representan una clase particular de ondas no lineales que se propagan sin necesidad de una
funcin que las obligue en medios activos fuertemente no lineales. Las ondas autnomas
poseen algunas caractersticas tpicas, diferentes a las caractersticas de las ondas comunes
en los sistemas conservativos. Su forma permanece constante durante la propagacin.
Dichas ondas pueden ser artificialmente generadas s una estructura es diseada para
reproducirlas [46].
La generacin de potenciales elctricos puede tambin ser modelado utilizando los

llamados Turing patterns (patrones Turing), usualmente encontrados en la reaccin y
difusin de productos qumicos. Estos patrones estn ntimamente ligados a la naturaleza
bioelctrica de la neurona biolgica [46].
29
Para el diseo de circuitos capaces de reproducir tales dinmicas, se pone particular

atencin en las Redes Neuronales Celulares, las cuales son descritas a continuacin.
2.5.- Arquitectura de las Redes Neuronales Celulares.

La unidad bsica de una red celular neuronal es llamada clula. Esta contiene elementos
de circuitos lineales y no lineales, los cuales tpicamente son capacitores lineales, resistores
lineales, fuentes controladas no lineales y fuentes independientes. La estructura de una red
neuronal celular es similar a la encontrada en un autmata celular; a saber, cualquier clula
en una red neuronal celular est conectada slo a sus clulas vecinas. Las clulas
adyacentes pueden interactuar directamente con cada una de las otras. Las clulas que no
estn directamente conectadas pueden afectar a cada una de las otras indirectamente debido
a los efectos de propagacin de la dinmica de tiempo continuo de las redes neuronales
celulares [1] [2] [8] [10] [9]. Un ejemplo de una red neuronal celular de dos dimensiones es
mostrada en la Figura 2.12.
Figura 2.12.- Una red neuronal celular de dos dimensiones. El tamao del circuito es de
4x4. Los cuadrados son las unidades llamadas clulas. Las conexiones entre las clulas
indican que hay interaccin entre las clulas conectadas.
Considere una red neuronal celular M x N, teniendo un arreglo de clulas M x N en M

filas y N columnas. Llamaremos a la clula de la fila i y de la columna j clula (i,j), y la
denotaremos como C(i,j) como en la Figura 2.12. Ahora vamos a definir que queremos
decir por una vecindad de C(i,j).
Definicin.- r-vecindad
La r-vecindad de la clula C(i,j), en una red neuronal celular es definida mediante
N r (i, j ) = {C (k , l ) max{ k i , l j } r ,1 k M ;1 l N }
(2.6)
Donde r es un entero positivo
La Figura 2.13 muestra tres vecindades de la misma clula (localizada en el centro y

mostrada en sombreado) con r = 1, 2 y 3 respectivamente. Usualmente, nosotros llamamos
30
2.5.- ARQUITECTURA DE LAS REDES NEURONALES CELULARES
al vecindario r =1 un vecindario de 3x3, al vecindario r =2 un vecindario de 5x5 y al

vecindario r =3 un vecindario de 7x7. Es fcil mostrar que el arreglo definido arriba
exhibe una propiedad de simetra en el sentido de que si C (i, j ) N r (k , l ) , entonces
C (k , l ) N r (i, j ) para toda C (i, j ) y C (k , l ) en la red neuronal celular.
Figura 2.13.- La vecindad de la clula C (i, j ) definida en (2.6) por r = 1, r = 2, r = 3,

respectivamente.
Un ejemplo tpico de la clula C (i, j ) de una red neuronal celular es mostrado en la

figura 2.14, donde los sufijos u, x, y y denotan la entrada, el estado y la salida
respectivamente. El nodo de voltaje vxij de C (i, j ) es llamado el estado de la clula y su
condicin inicial es asumida a una magnitud menor o igual a 1. El nodo de voltaje vyij es
llamada la salida.
Figura 2.14.- Un ejemplo del circuito de una clula [1] [2] [8] [10] [9].
Se observa de la Figura 2.14 que cada clula C (i, j ) contiene una fuente de voltaje
independiente Eij, una fuente de corriente I, un capacitor lineal C, dos resistores Rx y Ry, y a
lo ms 2m fuentes de corriente controladas por voltaje las cuales estn acopladas a las
clulas vecinas va la entrada de voltaje controlada vukl y la realimentacin de la salida de
voltaje vykl de cada clula vecina C (k , l ) donde m es igual al nmero de clulas vecinas. En
particular, I xy (i, j; k , l ) y I xu (i, j; k , l ) son fuentes de corriente controladas por voltaje con
las caractersticas I xy (i, j; k , l ) = A(i, j; k , l )v ykl y I xu (i, j; k , l ) = B (i, j; k , l )vukl para todas
C (i, j ) N r (k , l ) . El nico elemento no lineal en cada clula es una fuente de corriente
controlada por voltaje I xy = (1/ Ry ) f (vxij ) con caractersticas f(.) como se muestra en la
Figura 2.15.
31
1
f (v ) =
v + 1 v 1
2
Figura 2.15.- Caractersticas de la fuente no lineal controlada.
Todas las fuentes de corriente lineales y no lineales usadas en una red neuronal celular
pueden ser realizadas fcilmente utilizando amplificadores operacionales [1] [2] [8] [10]
[9].
Aplicando la LCK y la LVK, las ecuaciones del circuito de la clula pueden ser
deducidas como se muestra a continuacin.
Ecuacin de estado
dvxij (t ) 1
C
dt
=
Rx
vxij + A(k , l; i, j )vykl (t ) + C (i, j
C ( i , j )N r ( k ,l ) )N r ( k ,l )
B(k , l; i, i )vukl (t ) + I
1 i M ;1 j N
(2.7)
Ecuacin de salida
1
v yij (t ) =
2
(
vxij (t ) + 1 vxij (t ) 1 )
1 i M ;1 j N
(2.8)
Ecuacin de entrada
vuij = Eij
1 i M ;1 j N
(2.9)
32
2.6.- MODELO DE UNA RED NEURONAL CELULAR DE DOS CAPAS
Restricciones
vxij (0) 1, 1 i M ;1 j N
vuij 1, 1 i M ;1 j N
(2.10)
Suposiciones de parmetros
A(i, j; k , l ) = A(k , l ; i, j )
1 i, k M ;1 j , l N
C > 0, Rx > 0
(2.11)
Algo importante a resaltar es que la dinmica de la red neuronal celular tiene

retroalimentacin de salidas y mecanismos de control en la entrada. El efecto de la
realimentacin de la salida depende de los parmetros interactivos A(i, j; k , l ) y el efecto de
la entrada de control depende de B(i, j; k , l ) . Por consiguiente, es conveniente referirse a
A(i, j; k , l ) como un operador de realimentacin y a B(i, j; k , l ) como un operador de
control [46].
2.6.- Modelo de una Red Neuronal Celular de dos capas

La dinmica bsica de una Red Neuronal Celular de dos capas para generar ondas
autnomas y patrones Turing es un sistema de segundo orden definido como:
x1,ij = x1,ij + (1 + ) y1,ij sy2,ij + i1

x2,ij = x2,ij + (1 + ) y2,ij sy1,ij + i2
(2.12)
Donde
(
yk ,ij = 0.5 xk ,ij + 1 xk ,ij 1 )
(2.13)
Con i = 1, 2, , M j = 1, 2, , N y k = 1, 2
El modelo de estados de la Ec. (2.12) de la nueva Red Neuronal Celular de dos capas
con las matrices de coeficientes constantes es definida como:
xij = xij + A * yij + B * uij + I

(2.14)
33
T T T
Donde xij = x1;i , j x2;i , j , yij = y1;i , j y2;i , j y uij = u1;i , j u2;i , j son los estados, la
salida y la entrada de la Red Neuronal Celular respectivamente, mientras A, B y I son la
retroalimentacin, el control y la matriz de coeficientes de bias respectivamente.
El comportamiento de la Red Neuronal Celular est dictado bsicamente por las

matrices de coeficientes. Sin embargo, la eleccin de las matrices de coeficientes que son
adecuadas para lograr una tarea especfica es difcil de lograr en una forma directa [47].
Figura 2.16.- Implementacin de una Red Neuronal Celular de dos capas generadora de
ondas autnomas mediante amplificadores operacionales.
Esto conduce al llamado aprendizaje y diseo del problema. El trmino diseo se

refiere a cuando una tarea especfica puede ser traducida en un conjunto de reglas
dinmicas, mientras que el termino aprendizaje es usado cuando las matrices de
coeficientes necesitan ser obtenidas mediante tcnicas de aprendizaje, de esta manera, pares
de entradas y salidas deben de corresponder. Algunos resultados han sido obtenidos con
34
2.7.- ANLISIS DE LAS REDES NEURONALES CELULARES
Redes Neuronales Celulares discretas, pero esto es un problema difcil para modelos en
tiempo continuo. La mayora de las matrices de coeficientes actualmente disponibles han
sido obtenidas mediante principios intuitivos y se han refinado a prueba y error con la
ayuda de simuladores.
Si se observa la ecuacin (2.12) se puede apreciar que existen bsicamente dos

parmetros y s . Una tcnica para analizar el impacto de dichos parmetros es tomando
un intervalo de valores para ambos y realizar una simulacin donde se pueda apreciar el
comportamiento de la salida de la clula en relacin a ambos parmetros [12].
La Figura 2.16 ilustra una Red Neuronal Celular generadora de ondas autnomas.
La respuesta de esta red se obtuvo a travs de la simulacin tanto en PSPICE v9.2 como
de Simulink en MatLab 7 . Tales grficas son mostradas a continuacin.
1.5
0.5
Amplitud (volts
-0.5
-1
-1.5
0 1 2 3 4 5 6 7 8 9 10
Tiempo (seg)
Figura 2.17.- Grfica de las ondas autnomas generadas por el circuito en simulacin en
Simulink (izquierda) y en PSPICE (derecha).
2.7.- Anlisis de las Redes Neuronales Celulares

Se tom informacin de los artculos de base relacionados con las Redes Neuronales
Celulares [1] [2] [8] [9] [10], con la cual se pudo realizar anlisis diversos, as como
simulaciones las cuales llevaron a conclusiones preliminares.
Como ya se trat en el punto anterior, el circuito de la Red Neuronal Celular de la

Figura 2.16 genera oscilaciones peridicas que dependen directamente del valor de las
resistencias y de los capacitores con que se construya. Una de las hiptesis primarias es que
estas oscilaciones son peridicas, las cuales deben su dinmica de amplitud y frecuencia al
parmetro A (Ec. 2.14) y podrn ser controladas variando el parmetro B (Ec. 2.14) y de
sta manera lograr el equilibrio (0 con respecto de la vertical) del pndulo invertido.
Se realizaron simulaciones del circuito anterior utilizando Simulink. Variando los

parmetros , s e i12 (Ec. 2.12) obteniendo diferentes resultados de simulaciones.
35
Las grficas pueden ser observadas en el ANEXO A al final del documento.
De las grficas del ANEXO A se pudo obtener las siguientes observaciones importantes.
El comportamiento dinmico de Red Neuronal Celular est dictado por los parmetros
, s e i1,2, los cuales al variar sus valores numricos impactan directamente en la amplitud
de la seal, la frecuencia y el ciclo lmite de la misma. Algo que se debe resaltar es que los
estados X1 y X2, as como sus respectivas salidas tienen un desfasamiento de 70
aproximadamente.
2.8.- Implementacin prctica de una Red Neuronal Celular

De la Figura 2.16 se realiz el armado del circuito, tomando los valores de las
resistencias y capacitores tal como aparecen en ste; se utiliz el amplificador operacional
LM324.
Para poder observar las seales de los estados, X1 y X2, as como las seales de salida
del circuito, se utiliz la tarjeta de adquisicin de datos National Instruments PCI 6025E
para realizar las mediciones (ver ANEXO B). Las siguientes grficas experimentales
muestran lo expuesto en las lneas anteriores.
Figura 2.18.-Grfica de los estados X1 y X2 de la Red Neuronal Celular.
36
2.9.- CONTROL EN UNA RED NEURONAL CELULAR
Figura 2.19.- Grfica de las salidas Y1 y Y2 de la Red Neuronal Celular.
Figura 2.20.- Grfica de los estados X1 y X2, as como de las salidas Y1 y Y2 de la Red
Neuronal Celular.
Con estas pruebas prcticas se pudieron sustentar de manera contundente las

observaciones en relacin al impacto que tienen los valores de los parmetros , s e i1,2
sobre la dinmica de las seales de la red neuronal celular, tal y como se describi en el
apartado 2.6.
2.9.- Control en una Red Neuronal Celular

Retomando de nueva cuenta la Ec. 2.12 de una RNC y habiendo estudiado la dinmica
del sistema en relacin a sus parmetros , s e i12, ahora es el turno de estudiar los efectos
del operador de control B en el sistema.
37
El Profesor Leon O. Chua en sus diversos artculos relacionados con las RNC ha
utilizado estas redes para resolver problemas que en su mayora se enfocan al
procesamiento de imgenes [9]. Para este fin se introduce a la red la imagen a ser
procesada, la cual es una matriz numrica o cloning templates, como la llama el autor. l
asume que para valores de la matriz de -1 corresponde al color blanco, valores de 1
corresponde al color negro y para los valores que estn entre -1 y 1 corresponde una escala
de grises [9]. El operador de control B lo utiliza de forma que puede lograr diferentes
objetivos para un problema en particular asignando coeficientes especficos en la matriz del
operador B. Tales problemas prcticos pueden ser los siguientes:
9 Filtrado de imgenes.
9 Sombreado de imgenes.
9 Deteccin de movimiento de un objeto en especfico [9].
Por otra parte, el Doctor Paolo Arena y el profesor Luigi Fortuna desarrollaron un
nuevo enfoque y nuevas arquitecturas para el control de la locomocin en dispositivos
mecnicos, todo esto basado en RNC [46] [47].
Utilizando RNC pudieron crear patrones de caminar para emular el andar de insectos de
varias patas, tales como los cuadrpedos y hexpodos. Para crear el patrn de caminar slo
es necesario hacer uso del operador de retroalimentacin A, o lo que es lo mismo, de los
parmetros , s e i12 de la Ec. 2.12. Bajo la explicacin anterior, el robot de varias patas se
desplazara en lnea recta y nicamente en una direccin. Pero como lograr que el robot
cambie su direccin al momento de desplazarse? La respuesta se encuentra en el operador
de control (B) de las redes neuronales celulares.
Arena y Fortuna en sus trabajos orientados al control de la locomocin de hexpodos,

abordan dos maneras de realizar el control de la locomocin de dichos robots. Una de las
formas en que controlan la direccin del robot es colocando dos sensores de distancia en la
parte frontal [2]. El sensor de la derecha va conectado a la clula que controla la pata
central izquierda, mientras que el sensor de la izquierda se conecta a la clula que controla
la pata central derecha. Al enfrentarse el dispositivo a un obstculo, los sensores actan de
manera que el sensor establece el valor de bias y de esta forma inhibe la oscilacin de la
clula (Figura 2.21) [2].
Figura 2.21.- Inhibicin de las oscilaciones de una clula al momento de que el sensor de
distancia entra en operacin por la presencia de un obstculo.
38
2.10.- OBSERVACIONES IMPORTANTES ACERCA DE LAS RNC
Otra variante de este mismo control del hexpodo se presenta al colocar sensores en
cada una de las patas, los cuales indican si la pata est o no apoyada sobre el suelo [2]. Esto
con la finalidad de que el robot se pueda desplazar por terrenos irregulares.
2.10.- Observaciones importantes acerca de las RNC

Expuestos los puntos anteriores se puede llegar a la conclusin de que la utilizacin de
las Redes Neuronales Celulares del Profesor Leon O. Chua, no son adecuadas para resolver
el problema de control del pndulo invertido por las siguientes razones:
Las seales generadas por las clulas de una neurona (estados y salidas) son oscilantes y
stas son una excelente alternativa como generador de patrones oscilatorios en diversos
problemas tales como la locomocin de robots de mltiples extremidades, el caminar
bpedo como tal, el movimiento rtmico de un brazo, etc. Cabe resaltar que para los
ejemplos anteriores, stos se encuentran en constante funcionamiento (caminar de un
hexpodo, caminar de un bpedo, brazada de una extremidad superior, etc.) y describiendo
al mismo tiempo un patrn oscilatorio.
Otro motivo por el cual el uso de las RNC no son aptas para el control del caso
particular de estudio se sustenta en las grficas del ANEXO A referentes al
comportamiento dinmico de los estados y salidas de la red ante diferentes valores de
simulacin de los parmetros , s e i1,2, los cuales al variarlos numricamente, stos
impactan en la amplitud de la seal, la frecuencia y el ciclo lmite. Se observa del conjunto
de grficas que las frecuencias alcanzadas por esta red son demasiado bajas, del orden de
fracciones de hertz. Esto es una limitante muy importante ya que el sistema de pndulo
invertido presenta un comportamiento dinmico muy rpido. Por otra parte, el modelo de la
RNC nos indica muy claramente su comportamiento dinmico, pero no es evidente el
impacto que tienen los parmetros en relacin al ngulo de desfasamiento. Esta es otra
limitante al momento de querer utilizar dichas seales como seales de control. Por ltimo,
debemos de observar las formas de onda de las salidas de la red neuronal celular, ya que
conforme los parmetros cambian, stas presentan una dinmica relativamente distinta para
ciertos casos (vase Figura A.2 y Figura A.3 del ANEXO A).
2.11.- Redes Neuronales Nerviosas.

Qu es un B.E.A.M.?
B.E.A.M. es una forma de robtica que utiliza principalmente la electrnica clsica, la

analgica, ya no tanto a la electrnica digital avanzada. Sus siglas en ingls son Biology,
Electronics, Aesthetics and Mechanics. Biologa, Electrnica, Esttica y Mecnica, es un
robot que imita los conceptos de vida de los animales, como los insectos [11]. El creador de
esta filosofa es Mark Tilden, a principios de los aos noventa. Es un ingls que estudi en
Canad.
39
Todos los circuitos BEAM se basan en lo que llamaremos una Neurona. Esta neurona
es similar, pero no exactamente, a una neurona como la que se puede encontrar en un
sistema biolgico. Una Neurona Nerviosa (Nv) BEAM consiste en un pulso de electricidad
desfasado en tiempo que se puede usar como un transmisor de informacin en un sistema
BEAM. El circuito bsico de una neurona Nv que funciona como un generador de pulsos
fue diseado por Mark Tilden y es el que se muestra en la Figura 2.22 [11] [51].
Figura 2.22.- El circuito bsico de una neurona Nv.
Esta neurona generadora se denomina Core. El circuito est compuesto por un resistor, un
capacitor y un inversor. El circuito RC establece el pulso y la frecuencia del circuito. El
inversor invierte el voltaje que pasa a travs de l. Se denota como Vth el cual indica el
umbral de la tensin de inversor (alto a bajo ). Despus de un tiempo t1 = RC ln (Vin / Vth ) , la
salida va a pasar a alto. Las salidas de estos elementos son seales oscilatorias de voltaje de
onda cuadrada que se pueden utilizar para manejar un motor (Figura 2.23). Es necesario
tomar en cuenta que t1 es proporcional a la constante de tiempo = RC . Dado que la
capacitancia C suele ser siempre la misma, la resistencia es el parmetro que controla el
tiempo de duracin de la seal [11].
Figura 2.23.- Seales oscilatorias correspondientes a la neurona Nv.
De la Figura 2.23 se observa que la salida de una neurona Nv no puede ser negativa, ya que
la compuerta inversora slo maneja voltajes de 0 y 5 volts. Por lo tanto se necesitan dos
neuronas Nv para conducir un nico motor hacia adelante y hacia atrs. Las salidas de las
dos neuronas se conectan (a travs de buffers) a las entradas de un motor y la diferencia de
tensin causa que el motor gire en una direccin. Cuando la diferencia de tensin se
invierte, la direccin en que gira el motor tambin se invierte. La forma de las seales de
entrada da como resultado el movimiento del motor y por lo tanto (para el caso de un
hexpodo) el movimiento de las piernas hacia adelante y hacia atrs en un ritmo que est
determinado a la vez por la seales y por los tiempos de duracin de los elementos que
intervienen en el control del motor.
40
2.11.- REDES NEURONALES NERVIOSAS
Cuando dos neuronas Nv se conectan como se muestra en la Figura 2.24, el circuito se

denomina Bicore [51]. Las neuronas forman una estructura de anillo la cual genera un
voltaje de salida oscilatorio con un perodo determinado por los capacitores y las
resistencias.
total = 1 + 2
en donde:
i = Ri Ci
Donde i= 1,2
(2.15)
es la constante de tiempo y est determinada por la resistencia R en ohms y la

capacitancia C en Faradios; es una constante, determinada por las caractersticas del
inversor. A partir de ahora la capacitancia se asumir constante e igual para todos los
capacitores que se utilizarn. Esto no da ninguna restriccin ya que las resistencias son las
nicas que variarn la constante de tiempo del circuito descrito. Si R1 y R2 son de igual
valor, la oscilacin tendr un ciclo de trabajo del 50% y, por tanto, ser simtrico (Figura
2.25).
Figura 2.24.- Dos neuronas Nv conectadas en anillo (Bicore).
2.12.- Porque utilizar Redes de Neuronas Nv en lugar de RNC para

resolver el problema de control del pndulo invertido?
Como ya se mencion con anterioridad, el pndulo invertido no es un dispositivo que

describa una seal oscilante al momento de lograr que existan 0 con respecto de la vertical
y se lleg a la conclusin preliminar de que las RNC no son aptas para funcionar como
controlador (para este caso en particular), ya que stas generan seales oscilantes. S las
neuronas Nv inventadas por Mark Tilden generan ondas oscilantes cuadradas, entonces la
pregunta obligada es: Por qu este tipo de redes si son aptas para controlar la vertical de la
varilla del pndulo invertido?
9 Las redes de neuronas Nv generan ondas oscilantes cuadradas que van desde 0 a 5
volts.
41
9 Estas seales nunca adquieren valores de voltaje negativos.

9 El desfasamiento entre una seal y otra, en el caso de la red neuronal Bicore, es de
180.
9 La frecuencia de las seales oscilantes va de unos cuantos hertz hasta 1Khz
aproximadamente.
9 Si R1 y R2 son de igual valor en el circuito Bicore, la oscilacin tendr un ciclo de
trabajo del 50% y, por tanto, ser simtrico.
Dadas las caractersticas anteriores, es posible obtener un voltaje promedio (Figura 2.25), el
cual puede ser utilizado como seal de error.
Figura 2.25.- Ejemplos de seales oscilantes con ciclos de trabajo diferentes, as como el
voltaje promedio que resulta en cada una de ellas.
42
Captulo 3
El pndulo invertido
El objetivo de este captulo es estudiar la dinmica del pndulo invertido sobre un

vehculo (al que comnmente se le denomina pndulo invertido sobre carro), el cual se ha
tomado como caso de estudio ya que constituye un banco de pruebas muy interesante dado
que es un ejemplo tpico de un sistema inestable. De igual manera se deduce su modelo
dinmico del pndulo invertido utilizando dinmica Lagrangiana.
Las ecuaciones que rigen el movimiento de sistemas mecnicos complicados, tales

como un robot manipulador, o en este caso, un pndulo invertido, pueden ser expresadas
mediante la utilizacin de ecuaciones de Lagrange. Las ecuaciones diferenciales que
resultan de este mtodo son una derivacin de las Leyes de movimiento de Newton.
La utilizacin de este mtodo de modelado es particularmente ventajoso en el sentido

de que ste incorpora de manera global las diferentes partes del sistema que se conectan
entre s, y por consiguiente elimina la necesidad de sustituir un grupo de ecuaciones en otro
para eliminar fuerzas y torques, tal y como se llevara a cabo efectuando el modelado a
partir de diagramas de cuerpo libre. Desde que se manejan cantidades escalares (energa
cintica y potencial) en lugar de vectores (fuerzas y torques), se ha prescindido de la
utilizacin de diagramas de vectores complicados, los cuales son comnmente requeridos
para definir y resolver cantidades vectoriales en el sistema coordenado apropiado.
En la seccin 3.3 se presenta una descripcin del pndulo invertido. Dicha sistema se
encuentra fsicamente en el laboratorio de control automtico del rea de electrnica del
CENIDET. Finalmente en la seccin 3.6 se realiza la validacin experimental de la
maqueta del pndulo invertido.
3.1.- El sistema de pndulo invertido
El pndulo invertido consiste en una masa sostenida al extremo de una varilla, la cual
gira libremente por uno de sus extremos mediante una articulacin, la varilla est situada
sobre un carro que se mueve sobre una gua rectilnea horizontal bajo la accin de una
fuerza F, que es la accin de control con la que se pretende actuar sobre la posicin de la
varilla (Figura 3.1). Debido a que la aceleracin del brazo no puede ser controlada
directamente, el pndulo invertido se dice que es un sistema subactuado.
43
CAPTULO 3.- EL PNDULO INVERTIDO
Figura 3.1.- Pndulo invertido sobre carro.
Como va se mencion en el Captulo 1, los pndulos invertidos son una familia de

artefactos que constituyen un banco de pruebas muy completo e interesante para la
ingeniera de control. Existen diversos tipos de pndulo invertido como el pndulo con
rueda inercial, el acrobot, el pendubot, el doble pndulo invertido, etc., sin embargo en este
trabajo de tesis slo se ocup el pndulo invertido sobre un carro.
3.2.- Modelo del pndulo invertido sobre carro

La siguiente figura muestra el sistema mecnico del pndulo invertido.
Figura 3.2.- Sistema mecnico del pndulo invertido.
44
3.2.- MODELO DEL PNDULO INVERTIDO SOBRE CARRO
El modelo dinmico puede ser deducido utilizando dinmica Lagrangiana como se

muestra a continuacin [50]:
La ecuacin de Lagrange es expresada en una de sus formas principales como:
d T T V
+ = Qnci , i = 1, 2,..., n
dt qi qi qi
(3.1)
Donde:
T = energa cintica
V = energa potencial
Qnci = fuerzas no-conservativas generalizadas
n = nmero total de coordenadas generalizadas independientes.
Para este caso en particular las coordenadas generalizadas son
q1 = (ngulo de la varilla)
q2 = x (posicin del carro)
Nota: El movimiento de la varilla es un movimiento planar.
La energa cintica de un cuerpo rgido en dos dimensiones dado como:
1 2 1
T= mvc + I c 2
2 2
(3.2)
Donde:
vc = velocidad del centro de masa c.

I c = momento de inercia de la masa en relacin al centro de masa.
= velocidad angular del cuerpo rgido rotando en relacin al centro de masa.
La energa cintica del sistema de pndulo invertido es deducido mediante la suma de

las energas cinticas del carro (T1), de la varilla (T2) y del cuerpo (T2) como se muestra a
continuacin:
T = T1 + T2 + T3
(3.3)
1
T1 = Mx 2
2
(3.4)
1 1
T2 = m ( y22 + z22 ) + I 2
2 2
45
L L
y2 = x + sin y2 = x + cos
2 2
L L
z2 = cos z2 = sin
2 2
1
T3 = mc ( y12 + z12 )
2
(3.5)
y1 = x + L sin y1 = x + L cos
z1 = L cos z1 = L sin
1 1 1
2 2
1 L L
T = Mx + m x + cos + sin + mL2 2 +
2
2
2 2 2
2 12
1
+ mc
2 (( x + L cos ) + ( L sin ) )
2 2
(3.6)
1 1 L 2
L 2
1
T= Mx 2 + m x 2 + Lx cos + 2 cos 2 + 2 sin 2 + mL2 2 +
2 2 4 4 24
1
(
+ mc x 2 + 2 Lx cos + L2 2 cos 2 + L2 2 sin 2
2
)
(3.7)
1 1 1 1 1 1
T= Mx 2 + mx 2 + mLx cos + mL2 2 + mc x 2 + mc Lx cos + mc L2 2
2 2 2 6 2 2
(3.8)
La energa potencial est dada como:
V = mgz2 + mc gz1
L
V = mg cos + mc gL cos
2
(3.9)
Las fuerzas no-conservativas se expresan de la siguiente manera:
Qnc1 = b
Qnc 2 = bx x + f (t )
(3.10)
Se aplica la ecuacin de Lagrange para la coordenada generalizada q1 =
46
3.2.- MODELO DEL PNDULO INVERTIDO SOBRE CARRO
T 1 1
= mxL cos + mL2 + mc xL cos + mc L2
2 3
d T 1 1 2

dt 2
( )3
( )
= mL x ( sin ) + cos x + mL + mc L x ( sin ) + cos x + mc L
2
d T 1 1 1 2
= mLx sin + mLx cos + mL mc Lx sin + mc Lx cos + mc L
2

dt 2 2 3
(3.11)
T 1
= mxL sin mc xL sin
2
(3.12)
V L
= mg sin mc gL sin
2
(3.13)
d T T V
+ = Qnc1
dt
1 1 1
mLx sin + mLx cos + mL2 mc Lx sin + mc Lx cos + mc L2 + ...
2 2 3
1 L
... + mxL sin + mc xL sin mg sin mc gL sin = b
2 2
1 1 L
mLx cos + mL2 + mc Lx cos + mc L2 mg sin mc gL sin = b
2 3 2
I p + mo Lx cos mo gL sin = b
(3.14)
1 m
Donde I p = mL2 + mc L2 mo = + mc
3 2
Se aplica la ecuacin de Lagrange para la coordenada generalizada q2 = x
T 1
= Mx + mx + mL cos + mc x + mc L cos
x 2
47
d T 1

dt x
( ) (
= Mx + mx + mL ( sin ) + cos + mc x + mc L ( sin ) + cos
2
)
d T 1 1
= Mx + mx mL sin + mL cos + mc x mc L sin + mc L cos
2 2

dt x 2 2
(3.15)
T V
=0 =0
x x
(3.16)
d T T V
+ = Qnc 2
dt x x x
1 1
Mx + mx mL 2 sin + mL cos + mc x mc L 2 sin + mc L cos = f bx x
2 2
( M + m + mc ) x + 1
1
m + mc L cos m + mc L 2 sin = f bx x
2 2
mt x + mo L cos mo L 2 sin = f bx x
(3.17)
m
Donde mt = M + m + mc mo = + mc
2
De esta manera la dinmica del pndulo invertido est dada por:
I p + mo Lx cos mo gL sin = b
mt x + mo L cos mo L 2 sin = f bx x
(3.18)
1 m
Donde I p = mL2 + mc L2 mt = M + m + mc mo = + mc
3 2
3.3.- La maqueta de pndulo invertido BYTRONIC

La maqueta de pndulo invertido marca BYTRONIC localizada en el CENIDET, es el
sistema con el que se llevaron acabo las pruebas correspondientes al tema de tesis en
cuestin. Dicho dispositivo puede ser utilizado de dos maneras diferentes, una es como un
48
3.3.- LA MAQUETA DE PNDULO INVERTIDO BYTRONIC
pndulo invertido y la otra como una gra viajera. Para este trabajo de tesis nicamente se
utilizar la maqueta en la modalidad de pndulo invertido.
En la modalidad de pndulo invertido se tiene el objetivo de controlar un sistema

intrnsecamente inestable, como ya se ha mencionado con anterioridad. El sistema de
control del pndulo puede ser usado como un sistema de control analgico independiente o
puede ser interconectado a un controlador externo tal como una microcomputadora. Cabe
hacer notar que en el desarrollo de este trabajo slo ser necesario interactuar con el
sistema de control analgico.
El sistema de control del pndulo consiste en dos mdulos interconectados entre s

mediante un cable conector. Dichos mdulos son la consola de control y el mecanismo del
pndulo, los cuales se pueden apreciar en las Figuras 3.3 y 3.4.
Figura 3.3.- Consola de control de la maqueta de Pndulo Invertido b).- Mecanismo de

pndulo.
El mecanismo del pndulo consiste en un carro que soporta una varilla y una masa
montada sobre un pivote el cual es movido a lo largo de un riel de 500 mm mediante un
servo-motor y una banda dentada (Figura 3.4). El motor tiene un tacmetro integral. La
posicin del carro y la posicin de la varilla son medidas mediante potencimetros. El
mdulo del mecanismo del pndulo contiene su propia fuente de poder y su propio
amplificador para el servo-motor [5].
49
Figura 3.4.- Mecanismo del pndulo de la maqueta BYTRONIC.
Es importante mencionar que todas las seales de voltaje de la consola de control se

encuentran en el intervalo de -10v a +10v. El circuito electrnico de la consola de control y
del mecanismo del pndulo invertido se muestra en el ANEXO C.
En la consola de control se encuentra un diagrama esquemtico de todo el sistema.

Dicho diagrama se ilustra en la Figura 3.5.
3.4.- Puesta en marcha de la maqueta BYTRONIC

El siguiente procedimiento permiti una rpida puesta en marcha del sistema de control
del pndulo como un sistema de control de posicin lineal del carro.
9 Colocar la maqueta en la posicin correspondiente a la modalidad de pndulo

invertido. Es recomendable retirar la varilla junto con la masa.
9 Posicionar el potencimetro deslizante de set-point a la mitad, es decir, a 0 volts.
9 Conectar con un conector tipo banana el set-point a la entrada del amplificador del
servo-motor, tal y como se muestra en la Figura 3.6.
9 Encender la maqueta.
50
3.4.- PUESTA EN MARCHA DE LA MAQUETA BYTRONIC
Figura 3.5.- Diagrama esquemtico del sistema de Pndulo Invertido localizado en la

consola de control.
51
Figura 3.6.- Conexiones para el control lineal de posicin.
La posicin del potencimetro de set-point determinar la posicin del carro a lo largo

del riel. Para lograr un control de posicin ptimo, las ganancias del amplificador y la
ganancia de la velocidad de retroalimentada deben ser calibradas en la consola de control.
Algo que se debe notar es que el recorrido en del carro en ambos finales del riel estn
limitados elctricamente, con esto se asegura que no habr golpes en los extremos del riel.
9 El siguiente paso es balancear el pndulo, para lo cual es necesario desconectar la

entra del servo del set-point y temporalmente conectarla a tierra para prevenir algn
tipo de ruido.
9 Para balancear el pndulo, los potencimetros correspondientes a las variables a y

ganancia ubicados en la consola de control deben ser ajustados a un valor de 2.7 y
1.2 respectivamente y al compensador de adelanto se le deben conectar las
resistencias y capacitores tal y como se muestra en la Figura 3.7. Los valores de los
componentes, as como las ganancias son propuestos por el manual del fabricante
de la maqueta.
Figura 3.7.- Compensador en adelanto.
9 Es necesario sostener el pndulo en la posicin vertical y el carro posicionarlo en el

centro del riel. Posteriormente se conecta la salida del compensador a la entrada del
servo y lentamente se suelta el pndulo. El pndulo se debe balancear en el centro
del riel.
Las grficas obtenidas de la puesta en marcha de la maqueta de pndulo invertido

BYTRONIC son las siguientes.
52
3.5.- SUBSISTEMA DEL CARRO Y VARILLA
Figura 3.8.- Grficas de la posicin del la varilla con respecto a la vertical y la posicin
del carro a lo largo del riel respectivamente.
De las grficas de la figura 3.8 cabe hacer mencin que sus magnitudes se encuentran
expresadas en volts, lo que se traduce en un ngulo en radianes (posicin de la varilla) y
una longitud en metros (posicin del carro). La seal de voltaje, en el caso de la varilla, se
encuentra en el intervalo de -1.746 v a +1.746v que corresponden a -0.61086 rad (-34.99)
a 0.61086 rad (-34.99) respectivamente; en el caso de la posicin del carro, este se
encuentra en el intervalo de los -10v a 10v para -25cm a +25cm respectivamente.
3.5.- Subsistema del carro y varilla

Los parmetros del sistema son los siguientes:
ngulo de la varilla con respecto a la lnea vertical rad

Velocidad angular de la varilla rad/seg
Aceleracin angular de la varilla rad/seg2
x Posicin del carro m
x Velocidad del carro m/seg
x Aceleracin del carro m/seg2
f Fuerza aplicada el carro N
M Masa del carro 0.247 kg
m Masa de la varilla 0.068 kg
mc Masa del cuerpo del pndulo 0.220 kg
L Longitud de la varilla 0.275 m
bx Friccin viscosa del carro 0.0011225 N*seg/m
b Friccin viscosa de la bisagra de la varilla 0 N*m*seg/rad
g Fuerza de gravedad 9.81 m/seg2
53
Los parmetros antes citados pueden encontrarse en [35]. Aunado a esta informacin,
en el ANEXO D se puede localizar ms especificaciones en relacin a la maqueta de
pndulo invertido utilizada.
3.5.1.- Subsistema del servo
El subsistema del servo est compuesto por el servo-motor, el amplificador de servo y

el controlador del servo. La entrada de control del sistema completo es u, la cual representa
el set-point que se asigna al sistema del servo (Figura 3.8).
El modelo del sistema puede ser deducido utilizando los siguientes parmetros.
P Ganancia del potencimetro (control P para la posicin del servo) = 270/47

KD Ganancia del potencimetro (control D para la posicin del servo) = 0.5*(47/56)
PS Ganancia del servo amplificador 750/47
r Radio de la polea de la banda dentada 0.02 m
kx Ganancia del potencimetro para la medicin de ( x ) 5/0.125 V/m
kw Ganancia del tacmetro para la medicin de ( x ) 2 V/m/s
kv Constante de voltaje del motor 0.098 V/rad/s
km Constante de torque del motor 0.098 Nm/A
J Inercia del motor 0.2245 kg*cm2
Bm Friccin del motor 0.011225 Nm
Ra Resistencia de armadura 7.8
La siguiente figura muestra un diagrama esquemtico del servo, el control aplicado al

mismo y el servo amplificador.
Figura 3.9.- (a).-Diagrama esquemtico del subsistema del servo (b).-Imagen del esquema
del subsistema del servo dibujado en la consola de control.
54
3.6.- VALIDACIN EXPERIMENTAL DEL SUBSISTEMA DE SERVO
La Figura 3.9 muestra el diagrama a bloques del subsistema de servo. Los niveles de
saturacin de los amplificadores son 15 y 20 V, respectivamente. u es la entrada de
referencia de posicin del servo controlador, la cual ser la seal de control de todo el
sistema. Los bloques que se encuentran dentro del recuadro azul corresponden al modelo
del servo-motor. El servo-motor cuenta con un control Proporcional- Derivativo (PD), para
lo cual el control Proporcional y el control Derivativo se efectan a partir de las variables
de posicin y de velocidad del servo-motor respectivamente. Es importante mencionar que
el control de posicin del servo-motor no puede ser omitido fsicamente, es decir, no se
puede tener acceso directo a las terminales elctricas del servo motor.
Figura 3.10.- Diagrama a bloques del subsistema del servo.
Del diagrama de la figura anterior se tiene que Te Tw = J + Bm donde Te es el

torque elctrico desarrollado, Tw es el torque de la carga el cual es igual a f r , y es la
velocidad angular del servo motor [35].
La expresin de la fuerza f aplicada al carro se expresa como
f = Au + Bx + Cx + Dx
(3.13)
km PPS PS Pkm k x km kv Bm PS km K D kw J
Donde A= B= C= D=
rRa rRa r 2 Ra r 2 rRa r2
y u es la entrada de referencia de posicin del carro al servo controlador [35].
3.6.- Validacin experimental del subsistema de servo

De acuerdo al diagrama a bloques de la Figura 3.10 y considerando los parmetros del
subsistema de servo, se llev a cabo la validacin experimental del mismo, donde la seal
de entrada u, era aplicada tanto al modelo en simulacin como al sistema real. De esta
manera se lograron obtener las siguientes grficas de posicin del carro.
55
Figura 3.11.- Grficas para la validacin del modelo del subsistema de servo. Dichas
grficas presentan tanto la seal de posicin simulada, as como la seal de posicin real
la cual es medida a travs de una tarjeta de adquisicin de datos.
Para lograr este fin se requiri enviar y leer seales a la consola de control con una
tarjeta de adquisicin de datos a travs de una computadora de escritorio.
El procedimiento para la instalacin de la tarjeta de adquisicin de datos (marca

National Instruments PCI 6025E) a la computadora se encuentran en detalle en el ANEXO
B.
3.7.- Implementacin en simulacin del control PD para el

pndulo invertido.
En la siguiente figura se muestra el diagrama bloques de la implementacin en
Simulink del control PD aplicado al modelo dinmico del pndulo invertido de la Ec. 3.18.
56
3.7.- IMPLEMENTACIN EN SIMULACIN DEL CONTROL PD
Figura 3.12.- Diagrama a bloques del control PD para el pndulo invertido implementado
en Simulink.
El diseo de este control se realiz a prueba y error, variando las ganancias tanto
proporcional como derivativa hasta obtener un buen desempeo en la respuesta transitoria
de las variables de posicin del carro y ngulo de la varilla con respecto a la vertical. Las
ganancias que se obtuvieron fueron las siguientes.
Para el control de la posicin del carro: Kp = -100 y Kd = -8

Para el control de la varilla con respecto a la vertical: Kp = -16 y Kd = -25
Las grficas de posicin del carro, as como del ngulo de la varilla con respecto a la
vertical se muestran en la Figura 3.13. La simulacin se efectu tomando en cuenta
condicin inicial 0 m para el carro y 0.1 rad para el ngulo de la varilla.
57
Figura 3.13.- Grficas del la posicin del carro y el ngulo de la varilla con respecto a la
vertical.
De las grficas anteriores se puede observar que para la posicin del carro el tiempo de
asentamiento al 5% es de 3.512 seg, no existiendo sobre impulso; mientras que para el
ngulo de la varilla el tiempo se asentamiento al 5% es de 0.442 seg, existiendo un sobre
impulso del 4.2%.
58
Captulo 4
Controlador de pndulo invertido basado en RNA
El objetivo principal de este captulo es presentar el diseo del controlador para el

pndulo invertido basado en Redes Neruronales Analgicas, y muy en particular, en la Red
Neuronal Nerviosa Bicore. Posterior al diseo del controlador, se presentan los resultados
obtenidos de la aplicacin del controlador y se muestra una tabla de ndices de
comportamiento para comparar el desempeo entre el controlador neuronal analgico y un
controlador clsico.
En la seccin 4.1 se muestra como la configuracin de la Red Nerviosa Bicore se aplica

al problema de control del pndulo invertido. En la seccin 4.2 se presenta el filtro pasa-
bajas, el cual forma parte del controlador neuronal analgico, y e aborda la razn de su uso.
En la seccin 4.3 se presentan los resultados experimentales del controlador basado en una
Red Neuronal Nerviosa. Y por ltimo en la seccin 4.4 se presenta el anlisis de resultados
correspondiente al comportamiento del controlador neuronal analgico.
4.1.- Aplicacin de la Red Nerviosa Bicore al problema de

control del pndulo invertido
La maqueta de pndulo invertido cuenta, entre otros sensores, con un potencimetro
acoplado a la varilla de pndulo (Figura E.1 localizada en el ANEXO E), el cual sensa la
posicin del ngulo con respecto a la vertical. La instalacin de un segundo potencimetro
acoplado a la varilla fue realizada (ver ANEXO E). Aunado a esto, ya se mencion que en
la red Bicore si las resistencias R1 y R2 son de igual valor y el ciclo de trabajo de las
seales de salida es del 50% [51]. De esta forma se har uso de uno de los dos
potencimetros que estn acoplados a la varilla y se conectar tal y como se muestra en la
Figura 4.1.
Figura 4.1.- Conexin del potencimetro (sensor de la posicin de la varilla) a la red

Bicore.
59
CAPTULO 4.- CONTROLADOR DE PNDULO INVERTIDO BASADO EN RNA
Es importante hacer mencin que un segundo potencimetro fue acoplado a la varilla

del pndulo invertido, ya que un potencimetro fue destinado a ser conectado a la Red
Nerviosa Bicore y el segundo potencimetro se destin a ser el sensor de posicin del
pndulo invertido sobre el riel.
La idea fundamental de control para el pndulo invertido es la siguiente:
Cuando la varilla del pndulo est a 0 con respecto a la vertical, el cursor del
potencimetro estar justo en el centro, teniendo que R1 y R2 son del mismo valor. Por lo
tanto el ciclo de trabajo estar al 50% en ambas seales [24] [25] [26].
Si la varilla del pndulo no est a 0 con respecto a la vertical, el cursor no estar en el

centro, y por lo tanto R1 y R2 no sern del mismo valor, causando con esto que el ciclo de
trabajo de las seales sea diferente del 50%. Ntese que el ciclo de trabajo de una seal ser
el complemento del ciclo de trabajo de la otra, por ejemplo, si una tiene un ciclo de trabajo
del 20%, la otra seal tendr un ciclo de trabajo del 80%.
El esquema de control se observa en la siguiente figura.
Figura 4.2.- Esquema de control para el pndulo invertido utilizando la red Bicore.
A continuacin se muestra grficamente lo que sucede cuando la varilla no se encuentra

a 0 con respecto de la vertical.
60
4.1.- APLICACIN DE LA RED NV BICORE AL CONTROL DEL PNDULO INVERTIDO
Figura 4.3.- Ejemplo de funcionamiento de la red Bicore cuando la varilla del pndulo
simple no se encuentra a 0 con respecto a la vertical.
De la figura anterior se pudo observar el comportamiento de las salidas de la red Bicore

en relacin al ngulo que guarda la varilla del pndulo con respecto a la vertical. Para
obtener una seal de control a partir de las dos seales de la red Bicore se obtuvo el voltaje
promedio de cada una de las seales oscilantes. Esto se logr gracias a un filtro pasa-bajas
construido con amplificadores operacionales. Pero, por qu utilizar un filtro para obtener
el voltaje promedio de las seales oscilatorias?
Las seales de las salidas de la red Bicore oscilan a una frecuencia especfica [51]. Lo
que se realiz fue disear diferentes filtros pasa-bajas, los cuales se establecieron a una
frecuencia de corte aproximadamente a una dcada por debajo de la frecuencia de
oscilacin de la red. Con este filtro se logr eliminar la frecuencia fundamental y
nicamente tener a la salida del filtro la componente de corriente directa, correspondiente al
voltaje promedio (Figura 4.4).
Figura 4.4.- Obtencin del voltaje promedio de la seal oscilante a partir de un filtro
pasa-bajas.
61
4.2.- Empleo de un filtro activo dentro del controlador neuronal

analgico
4.2.1.- Filtros activos
Tomando como base el estudio de los filtros de primer y segundo orden, es el turno de
abordar los filtros de orden superior, los cuales son requeridos cuando las caractersticas de
corte de los filtros de orden inferior no son suficientemente sbitas para satisfacer las
demandas de alguna aplicacin en particular.
Hay que tomar en cuenta que el objetivo de utilizar los filtros pasa-bajas en las salidas
de la Red Nerviosa Bicore es el de eliminar la frecuencia fundamental que se generan a las
salidas de la misma y nicamente tener a la salida del filtro la componente de corriente
directa, la cual es el voltaje promedio; por lo tanto, la caracterstica de corte debe tomarse
como factor principal a considerar y sta debe ser lo ms sbita posible.
El movimiento de la varilla con respecto a la vertical es relativamente rpido y es por

esta razn que el filtrado de las seales generadas por la red se debe realizar lo ms rpido
posible (caracterstica de corte sbita) para que de esta forma se eviten retardos, los cuales
impactaran directamente en la accin de control.
Existen dos enfoques principales en lo que se refiere a filtros de orden superior: el

enfoque de cascada, en el cual la respuesta deseada es obtenida por la posible conexin de
etapas en cascada de filtros de orden dos y otros de orden uno; y el enfoque de simulacin
de escalera RLC, el cual utiliza convertidores de impedancia activos para simular un filtro
pasivo RLC, y de esta forma satisfacer los objetivos deseados [18].
El enfoque de cascada es por mucho el mtodo ms simple y el ms popular; ste

enfoque genera la funcin de transferencia deseada como resultado de posibles funciones
de transferencia de filtros de orden dos y de orden uno, cuyas frecuencias caractersticas y
valores Q son tabulados en manuales de filtros o pueden ser determinados con la ayuda de
programas computacionales.
Gracias a la baja impedancia de salida de cada seccin, la carga existente entre cada una
de las etapas del filtro es virtualmente eliminada, de esta forma cada seccin puede ser
considerada como una etapa aislada de las dems y puede ser calibrada por separado si es
necesario. La modularidad de este enfoque es tambin atractivo desde un punto de vista
econmico, ya que uno puede usar algunos bloques de filtros estandarizados para disear
una amplia variedad de filtros ms complejos.
De una forma conveniente, desde el punto de vista modular, se hace referencia a una
etapa aislada completamente que proporciona una respuesta global particularmente sensible
a las variaciones paramtricas de cada etapa debido a la tolerancia de los componentes, al
envejecimiento de los mismos, etc. Esto es particularmente crtico en el caso de etapas con
62
4.2.2.-FILTROS DE ORDEN SUPERIOR
factor de calidad Q alto, donde aun una pequea variacin en un componente de una etapa
puede alterar drsticamente la respuesta completa del filtro en cascada.
4.2.2.- Filtros de orden superior
Si las seales a ser rechazadas son muy cercanas en frecuencia a las que deben pasar,
las caractersticas de corte de un filtro de orden dos pueden no ser suficientemente sbitas y
los filtros de orden superior pueden ser necesarios para satisfacer la selectividad requerida.
Como regla general, cuanto ms alto es el orden del filtro, ms cerca de la

aproximacin. El punto de partida de la respuesta de un filtro prctico a partir de su
pendiente de corte equivalente puede ser visualizado en trminos de los valores de banda,
como se ilustra en la siguiente figura para el caso del filtro pasa-bajas.
Figura 4.5.- Respuesta de un filtro pasa-bajas y respuesta de los lmites de magnitud de un

filtro pasa-bajas prctico.
El rango de frecuencias que pasan con poca o ninguna atenuacin debido a la accin del
filtro es llamado banda de paso. Para un filtro pasa-bajas esta banda se extiende desde la
componente de corriente directa a alguna frecuencia c llamada frecuencia de corte.
La ganancia no es estrictamente constante dentro de la banda de paso. La mxima

ganancia permisible es denotada como Amax y es expresada en decibeles. Por ejemplo la
respuesta Buttherworth tiene una Amax = 3 dB. Dentro de la banda de paso la ganancia
puede presentar rizado, en tal caso Amax es llamada el rizo mximo de la banda de paso y
define a la banda llamada banda de rizo. En el caso de respuestas con rizo, c representa la
frecuencia donde la respuesta sale de la banda de rizo.
Pasada la frecuencia de corte, la respuesta cae a la banda de atenuacin, la cual

representa la regin de frecuencia de atenuacin considerable. La banda de atenuacin es
usualmente especificada en trminos de alguna atenuacin mnima permisible,
supongamos, Amin = 50 dB. La frecuencia en la cual la banda de atenuacin comienza se
denota como s.
63
La regin de frecuencia delimitada por c y s es llamada la banda de transicin.

Cierto tipo de filtros maximizan la pendiente de atenuacin dentro de la banda de transicin
a expensas de rizo dentro de la banda de paso, la banda de atenuacin o ambas.
Entre la variedad de posibles respuestas, algunas han sido descubiertas para ser
considerablemente satisfactorias, y sus coeficientes han sido determinados y tabulados.
Estas incluyen a las respuestas Butterworth, Chebyshev, Elliptic y Bessel [18].
Respuesta Butterworth
Los filtros Butterworth maximizan lo plano de la respuesta de magnitud dentro de la

banda de paso (Figura 4.6); la expresin general para esta respuesta es
1
H =
1 + ( c )
2n
(4.1)
Donde n es el orden del filtro y c la frecuencia de corte, a lo cual en este caso

representa la frecuencia de -3 dB. La respuesta es extremadamente plana cerca de la
componente de corriente directa, algo redonda cerca de la frecuencia de corte y la respuesta
decae a un ritmo aproximado de -20n dB/dec en la banda de atenuacin.
Figura 4.6.- Respuesta de un filtro pasa-bajas Butterworth.
Respuesta Chebyshev
Hay aplicaciones, como una de las que se presenta en esta tesis, en las cuales la sbita
transicin en la frecuencia de corte es ms importante que lo plano de la respuesta. Los
filtros Chebyshev maximizan la razn de corte en la banda de transicin a costa de
introducir rizo en la banda de paso (Filtro 4.7). Para un filtro dado de orden n, cuanto
mayor sea la cantidad de rizo, ms estrecha ser la banda de transicin del filtro. De esta
64
4.2.2.- FILTROS DE ORDEN SUPERIOR
forma, comparada la respuesta del Butterworth, la respuesta Chebyshev mejora la

caracterstica de la banda de transicin mediante la propagacin de rizos de igual tamao a
travs de la banda de paso, el nmero de rizos se incrementa con n. Adems ambas
respuestas decaen a un ritmo que depende de n, la respuesta Chebyshev puede lograr una
razn de corte en la banda de transicin con un orden menor, reduciendo la complejidad del
filtro y el costo. En el lmite de los ceros decibeles de rizo en la banda de paso la respuesta
Chebyshev llega a ser una respuesta Butterworth. Existen dos tipos de filtros Chebyshev.
Uno es el Tipo I el cual tienen rizo en la banda de paso y respuesta monotnica (regular) en
la banda de atenuacin ; y el Tipo II (o tambin llamado Filtro Chebyshev Inverso) el cual
es monotnico en la banda de paso y presentan rizo en la banda de atenuacin.
Figura 4.7.- Respuesta de un filtro pasa-bajas Chebyshev Tipo I.
65
Respuesta Bessel
Estos filtros introducen un corrimiento de fase que usualmente depende de la

frecuencia. Si el corrimiento de fase vara linealmente con la frecuencia, su efecto es
simplemente un retardo de la seal producido por una cantidad constante. Sin embargo, si
la fase no vara linealmente, diferentes componentes de frecuencia en la entrada sufrirn
diferentes retardos, de esta forma seales no sinusoidales sern deformadas por el filtro.
Este puede ser observado mediante la alimentacin del filtro con una onda cuadrada. En
caso de una respuesta de fase lineal, la salida simplemente ser una versin retardada de la
entrada, pero en el caso no lineal la salida exhibir un efecto oscilatorio significante.
Resulta que entre ms sbita sea la caracterstica de corte en la banda de transicin, ms
alto ser el efecto oscilatorio.
Los filtros Bessel maximizan el tiempo de retardo de la banda de paso al igual que los
filtros Butterworth maximizan la magnitud de la banda de paso. El resultado es una
respuesta con una caracterstica de fase casi lineal dentro de la banda de paso, y una
caracterstica de magnitud ms suave en la banda de transicin. Lo anterior se ilustra en la
siguiente figura.
Figura 4.8.- Respuesta de magnitud un filtro pasa-bajas Bessel, as como su respuesta de

fase.
66
4.2.3.- DISEO DEL FILTRO PASA-BAJAS PARA LA RED NERVIOSA BICORE
Por todo lo expuesto anteriormente se puede llegar a la conclusin de que la respuesta

Chebyshev Tipo I de un filtro pasa-bajas es la ms adecuada para formar parte del arreglo
neuronal analgico, para que en conjunto integren el controlador neuronal analgico para el
pndulo invertido.
4.2.3.- Diseo del filtro pasa-bajas para la Red Nerviosa Bicore
Mediante el cambio de los valores de los capacitores C1 y C2 (Figura 4.1) se pudieron

obtener oscilaciones con frecuencias variadas para la red Bicore. Las diferentes frecuencias
de oscilacin condujeron al diseo de filtros pasa-bajas Chebyshev Tipo I con diferentes
frecuencias de corte. Uno de los objetivos primordiales de esta metodologa fue poner en
prctica diversas redes Bicore a diferentes frecuencias de oscilacin en combinacin con
filtros pasa-bajas, todo esto obviamente aplicado al control del pndulo invertido.
Una funcin cuadrtica se puede emplear como elemento fundamental para la

construccin de filtros. La funcin cuadrtica para un filtro pasa-bajas es la siguiente.
Ho
H (s) =
o
s2 + s + o2
Q
(4.2)
El trmino Ho corresponde a la ganancia de CD, o corresponde a la frecuencia natural

no amortiguada del sistema y corresponde a la frecuencia de corte, mientras que Q es el
factor de calidad y describe el comportamiento de la funcin en la vecindad de la
frecuencia de corte.
Figura 4.9.- Circuito de la configuracin Sallen-Key para un filtro pasa-bajas.
Para el diseo del filtro pasa-bajas se utiliz la un filtro Chebyshev Tipo Icon rizo de 0.1
dB bajo una configuracin conocida como Sallen-Key. En la Figura 4.9 se puede observar
el circuito de dicha configuracin.
La funcin de transferencia para el circuito anterior se muestra a continuacin.
67
1
Vo R1 R2C1C2
=K
Vs C ( R + R2 ) + R1C2 (1 K ) 1
s2 + s 1 1 +
R1 R2C1C2 R1 R2C1C2
(4.3)
Comparando con la Ec. (4.3), se tiene que:
1
o =
R1 R2C1C2
(4.4)
R1 R2C1C2
Q=
C1 ( R1 + R2 ) + R1C2 (1 K )
(4.5)
K
Ho =
R1 R2C1C2
(4.6)
4.2.4.- Procedimiento de diseo
La dificultad en el diseo estriba en el hecho de que la respuesta del filtro pasa-bajas de

segundo orden se especifica por medio de dos valores, o y Q, mientras que la construccin
electrnica utiliza seis elementos externos al operacional, dos de los cuales se utilizan para
fijar la ganancia del amplificador. Esto implica que se deben calcular cinco valores
utilizando las ecuaciones (4.4) y (4.5). An cuando la ganancia deseada del filtro sea un
parmetro de diseo, siguen quedando cuatro incgnitas con dos ecuaciones para
determinarlas. As pues, es necesario establecer simplificaciones que faciliten el clculo.
Diseo con elementos escalados.
La primera simplificacin consiste en utilizar elementos escalados. El procedimiento

para disear al filtro Sallen-Key estriba en utilizar dos constantes de escalamiento a y b, de
manera que R1 =a R, R2 = R, C1 = C y C2 = b C. Como resultado, la frecuencia de corte y el
factor de calidad quedan dados por:
1
o =
RC ab
(4.7)
ab
Q=
a + 1 + ab (1 K )
(4.8)
68
4.2.4.- PROCEDIMIENTO DE DISEO
Debe notarse que en este caso, si la ganancia se escoge de valor tal que:
a +1
K = 1+
ab
(4.9)
se obtiene un factor de calidad Q infinito. Con valores de K superiores al dado por la

ecuacin (4.9), el factor de calidad se vuelve negativo, lo que implica que los polos de la
funcin se ubican en el semiplano derecho.
Diseo con capacitores iguales
Una segunda simplificacin consiste en utilizar capacitores iguales en la construccin

del filtro, con lo que b = 1. Para un factor de calidad dado, el valor de a se puede obtener a
partir de la ecuacin 20. El resultado es:
2
1 1 4Q 2 ( 2 K )
a=
2Q ( 2 K )

(4.10)
Debe notarse que existen valores de ganancia para los cuales se obtiene un resultado
complejo, el que claramente no tiene significado fsico. Por lo tanto, la ganancia del bloque
amplificador debe cumplir con la siguiente especificacin.
1
K > 2
4Q 2
(4.11)
El procedimiento de diseo es como sigue:
a).- Especificar el tipo de respuesta, el orden del filtro y la frecuencia de corte c deseada
(para la aproximacin Chebyshev Tipo I, especificar la frecuencia a la cual la ganancia
abandona la banda de rizo). A partir de las tablas determinar los valores de n y Qn (Tabla
4.1).
b).- Determinar la ganancia mnima para cada una de las secciones, utilizando la ecuacin
(4.11). Seleccionar una ganancia acorde con el resultado o, en caso de que la ganancia sea
un parmetro de diseo, verificar que es de valor adecuado. Calcular los valores de las
resistencias de determinacin de la ganancia.
c).- Determinar el valor de a, utilizando la ecuacin (4.10). Usar el valor menor, o el

positivo.
d).- Especificar un valor arbitrario, pero razonable, para los capacitores C1 y C2.
69
e).- Calcular el valor de la resistencia R2 de acuerdo a:
1
R2 =
cnC a
f).- La resistencia R1 es igual a a R2.
Tabla 4.1.- Filtros Chebyshev Tipo I con rizo de 0.1 dB
n 1 Q1 2 Q2 3 Q3 4 Q4
2 1.820 0.767
3 1.300 1.341 0.969 --------
4 1.153 2.183 0.789 0.619
5 1.093 3.282 0.797 0.915 0.539 --------
6 1.063 4.633 0.834 1.332 0.513 0.599
7 1.045 6.233 0.868 1.847 0.575 0.846 0.377 --------
8 1.034 8.082 0.894 2.453 0.645 1.183 0.382 0.593
4.2.5.- Filtro de tercer orden
Para obtener una mejor respuesta en la seal filtrada se opt por implementar un filtro
Sallen-Key de tercer orden. Para logar este cometido nicamente se aadi un filtro RC de
primer orden al filtro de orden dos.
Figura 4.10.- Filtro RC de orden uno.
Para esta etapa se cumple que:
Vo 1
=
Vs sCP RP + 1
El valor de la resistencia es entonces:
70
4.2.5.- FILTRO DE TERCER ORDEN
1
RP =
cnCP
De esta manera, el diagrama completo del filtro de tercer orden es el siguiente.
Figura 4.11.- Circuito de la configuracin Sallen-Key para un filtro pasa-bajas de tercer

orden.
Para facilitar el clculo de los valores de los componentes del filtro en relacin a la
frecuencia de corte deseada se realiz un programa en el editor de MatLab, as como
tambin una simulacin en Simulink para verificar la respuesta del filtro antes de llevarlo a
la implementacin prctica. Lo anterior de muestra en detalle en el ANEXO F.
Se disearon cuatro filtros Chebyshev Tipo I pasa-bajas con frecuencias de corte fc de

20 KHz, 10 KHz, 2 KHz y 100 Hz. Los diagramas de Bode para cada uno de los casos se
presentan a continuacin en las siguientes ilustraciones.
71
Diagrama de Bode del filtro pasa-bajas con fc=20 KHz

20
20
System: sysT System: sysT

0 0
Frequency (rad/sec): 1.26e+005 Frequency (rad/sec): 6.32e+004
Magnitude (dB): 9.42 Magnitude (dB): 9.42
-20
-20
Magnitude (dB)
Magnitude (dB)
-40
-40
-60
-60
-80
-80
-100
-100 -120
3 4 5 6 7 3 4 5 6 7
10 10 10 10 10 10 10 10 10 10
Frequency (rad/sec) Frequency (rad/sec)
(izquierda) fc = 10 KHz = 6.32 x104 rad/seg (derecha).

Diagrama de Bode del filtro pasa-bajas con fc=100 Hz
20
20
System: sysT System: sysT

0 0
Frequency (rad/sec): 1.26e+004 Frequency (rad/sec): 628
Magnitude (dB): 9.42 Magnitude (dB): 9.43
-20
-20
Magnitude (dB)
Magnitude (dB)
-40
-40
-60
-60
-80
-80
-100
-100 -120
2 3 4 5 6 1 2 3 4 5
10 10 10 10 10 10 10 10 10 10
Frequency (rad/sec) Frequency (rad/sec)
(izquierda) fc = 100 Hz = 628 rad/seg (derecha).
4.3.- Implementacin prctica del controlador neuronal

analgico
Llevando a cabo la implementacin prctica del esquema ilustrado en la Figura 4.3 se
observ el siguiente comportamiento cualitativo del control del pndulo invertido:
72
4.3.- IMPLEMENTACIN PRCTICA DEL CONTROLADOR NEURONAL ANALGICO
9 La variable de inters, que en este caso es al ngulo que guarda la varilla del pndulo
con respecto a la vertical, fue controlada slo por un breve instante de tiempo. El
pndulo invertido se mantuvo en una vertical, donde los errores en el ngulo eran
mnimos. Dichos errores en estado estable de la variable controlada, causaban que el
controlador neuronal analgico generara una seal de control de una magnitud similar
a la del error, es decir, una seal pequea de control.
9 Esta seal pasa por la etapa de potencia del servo-motor y tiene como objetivo final el
de mover el carro que soporta el pndulo invertido. El resultado que se obtuvo fue que
dicha seal de control mova lentamente al pndulo invertido hacia uno de los dos
entremos del riel, con el objetivo de corregir el error en el ngulo de la varilla; despus
de unos cuantos segundos, el pndulo invertido alcanz un extremo del riel para
finalmente caer, quedando anulada de esta manera toda accin de control. Pero, A
que se debi este comportamiento?
9 El controlador neuronal analgico basado en una Red Nerviosa Bicore, resuelve el

problema de control referente a la posicin de la varilla con respecto a la vertical; en
este sentido, el controlador funcion de acuerdo al diseo, pero ste no consideraba la
posicin del pndulo invertido (carro y varilla) a lo largo del riel, razn por la cual el
controlador trat de corregir el error del ngulo a expensas de que despus de algunos
segundos el carro alcanzara alguno de los extremos del riel y ste finalmente cayera.
9 Para resolver este contratiempo se opt por aadir un controlador proporcional

derivativo, el cual hizo que el pndulo invertido se mantuviera en una posicin
preestablecida a lo largo del riel. Lo idneo hubiese sido aadir otra Red Neuronal
Bicore en lugar de un controlador PD, pero la razn por la que se realiz de esta
manera fue porque para aadir otra Red Neuronal era tambin necesario la adicin
fsica de un nuevo potencimetro a la maqueta, tal como se hizo con la varilla del
pndulo invertido (vase ANEXO E), cosa que no estaba contemplada. No se debe
perder de vista que el objetivo principal de esta tesis es el de disear un controlador
para el pndulo invertido mediante redes neuronales analgicas, el cual mantenga a 0
la varilla con respecto de la vertical.
En el siguiente apartado se detalla el esquema del controlador neuronal analgico, as

como del controlador PD aadido a ste, los cuales en conjunto conforman el controlador
para el pndulo invertido considerando la posicin del pndulo a lo largo del riel.
4.3.1.- Esquema del controlador neuronal analgico considerando la

posicin del pndulo invertido a lo largo del riel
Para corregir el problema de la posicin del pndulo sobre el riel y evitar que la accin
de control de la Red Nerviosa Bicore llegara a su fin en uno de los extremos del recorrido,
se incorpor un controlador Proporcional Derivativo como se muestra a continuacin en la
siguiente figura.
73
Figura 4.14.-Esquema del controlador neuronal analgico considerando la incorporacin

de una etapa de control PD.
Se opt por el control PD debido a que se pretende que el sistema se anticipe al error, es
decir, se quiere que el carro se mantenga en una referencia especfica, la cual para este caso
es el centro del riel.
La referencia de posicin x del controlador PD se estableci en cero, lo que significa

que el pndulo invertido debe estar en el centro del riel.
Controlador Proporcional-Derivativo.
Recordando algunos conceptos bsicos en la teora de control de sistemas, tenemos que

la accin de control de un controlador Proporcional-Derivativo se define mediante
de(t )
u (t ) = K p e(t ) + K pTd
dt
(4.12)
y la funcin de transferencia es
Eo ( s)
= K p (1 + Td s )
Ei ( s)
(4.13)
en donde Kp es la ganancia proporcional y Td es una constante denominada tiempo

derivativo. Tanto Kp como Td son ajustables. La accin de control derivativa, en ocasiones
74
4.3.- IMPLEMENTACIN PRCTICA DEL CONTROLADOR NEURONAL ANALGICO
denominada control de velocidad, ocurre donde la magnitud de la salida del controlador es

proporcional a la velocidad de cambio de la seal de error. El tiempo derivativo Td es el
intervalo de tiempo durante el cual la accin de la velocidad hace avanzar el efecto de la
accin de control proporcional. La accin de control derivativa tiene un carcter de
previsin. Sin embargo, es obvio que una accin de control derivativa nunca prev una
accin que nunca ha ocurrido. Aunque la accin de control derivativa tiene la ventaja de ser
de previsin, tiene las desventajas de que amplifica las seales de ruido y puede provocar
un efecto de saturacin en el actuador.
Continuando con la filosofa de crear un controlador analgico debido a la simplicidad

prctica, la capacidad de procesamiento en tiempo real y la implementacin a bajo costo, el
controlador PD se construy a partir de una configuracin de amplificadores operacionales,
tal y como se muestra en la siguiente ilustracin.
Figura 4.15.-Controlador Proporcional-Derivativo implementado con amplificadores

operacionales.
La funcin de transferencia del controlador Proporcional-Derivativo de la figura

anterior expresada en trminos de las resistencias y el capacitor se expresa a continuacin.
Eo ( s) R4 R2
= ( R1C1s + 1)
Ei ( s) R3 R1
(4.14)
Donde de acuerdo con la Ec. (4.13)
R4 R2 R4 R2
Kp = Td = R1C1 Kd = R1C1
R3 R1 R3 R1
Si se hace la consideracin de que R3 = R4 se tiene entonces que:
R2
Kp = Td = R1C1 K d = R2C1
R1
(4.15)
75
Los valores de las resistencias y el capacitor para el controlador PD fueron los siguientes.
R1 = 9 K R2 = 50 K
R3 = 1K R4 = 1K
C1 = 220 F
Se tiene con esto que
R2 50 K
Kp = = = 5.55556
R1 9 K
Td = R1C1 = 9 K * 220 F = 1.98s
K d = R2C1 = 50 K * 220 F = 11
(4.16)
4.3.2.- Diseo de experimentos
Mediante la incorporacin del controlador PD al controlador Neuronal Analgico, toca

el turno de realizar experimentos prcticos.
Dos comportamientos dinmicos a resaltar en relacin al desempeo del controlador, es

el comportamiento de la variable controlada tanto en estado estable, como la respuesta ante
perturbaciones. El primer comportamiento es muy sencillo de apreciar cada vez que se
efecta una prueba, mientras que en la respuesta ante perturbaciones se debe de cuidar la
naturaleza cuantitativa de cada uno de los experimentos, para que de esta manera al final de
los resultados experimentales se pueda hacer una comparacin cualitativa de cada una de
las pruebas realizadas.
Para el caso de la respuesta ante perturbaciones, la principal problemtica fue la de

cuantificar la perturbacin, ya que comnmente, una forma de perturbar el ngulo que
guarda la varilla con respecto de la vertical fue dando un ligero golpe, ya sea con algn tipo
de objeto o con la misma mano. Esto trajo como principal inconveniente que la
perturbacin proveda al pndulo siempre ser diferente.
Para que la perturbacin fuera en todos los casos aproximadamente la misma se opt
por implementar una forma de aplicar un disturbio de igual magnitud en todos los casos. La
implementacin que se efectu se muestra en la siguiente ilustracin.
76
4.3.2.- DISEO DE EXPERIMENTOS
Figura 4.16.-Perturbacin cuantificada mediante la utilizacin de un pndulo simple.
La perturbacin cuantificada implementada mediante un pndulo simple funciona de la

siguiente forma. Teniendo un pndulo simple con una cuerda y una masa, ambas
previamente establecidas, ste es sujetado con la mano a cierto ngulo, el cual se observa
en una cartulina previamente graduada; posteriormente se libera el pndulo generando una
fuerza conocida, haciendo sta las veces de la perturbacin que se aplica al pndulo
invertido.
Las fuerzas que actan sobre la partcula de masa m son dos: una fuerza vertical, el peso
mg y la accin del hilo, una fuerza T en la direccin radial. Descomponemos el peso en la
accin simultnea de dos componentes (Figura 4.17)
La fuerza Ft = mg *sin , en la direccin tangencial y

La fuerza Fr = mg *cos , en la direccin radial.
77
Figura 4.17.-Pndulo simple.
La masa del pndulo simple que se utiliz fue de 48gr y ste fue soltado para generar
perturbaciones a 35 y a 45 grados; por lo tanto, las fuerzas tangenciales aplicadas fueron las
siguientes:
m
Ft1 = mg *sin = (48 g ) *(9.81 m s 2 ) *sin(35) = 0.27 N = 270.08 g
s2
m
Ft 2 = mg *sin = (48 g ) *(9.81 m s 2 ) *sin(45) = 0.332 N = 332.96 g
s2
4.4.- Resultados experimentales.

La forma en que se presentan los resultados experimentales es de la siguiente manera:
se presentan las grficas relacionadas al controlador clsico, que en este caso es un
compensador de adelanto de fase; seguido de stas, se mostrarn las grficas obtenidas
mediante la puesta en prctica del controlador basado en la Red Nerviosa Bicore, yendo de
los mejores casos hasta finalizar con el caso menos satisfactorio. Cabe mencionar que el
controlador basado en el arreglo Bicore fue probado a cinco diferentes frecuencias de
oscilacin, aunado con las cuatro diferentes frecuencias de corte del filtro pasa-bajas, lo
que en conjunto dieron un total de veinte pruebas correspondientes al controlador neuronal
analgico.
La perturbacin aplicada al pndulo invertido fue alrededor de t = 10 seg en todos los

experimentos realizados.
En esta parte del documento nicamente se muestran las grficas ms significativas. El

resto de las grficas se encuentran en el ANEXO G.
78
4.4.- RESULTADOS EXPERIMENTALES
Controlador clsico: compensador en adelanto.
La funcin de transferencia del compensador en adelanto es:
1 + Ts
Gc = K c
1 + Ts
(4.17)
Donde K c = 10, T = 0.1, = 0.1 Estos fueron los valores del compensador en adelanto
y con el cual se realizaron las pruebas prcticas.
Las siguientes grficas ilustran el ngulo de la varilla con respecto a la vertical, la

posicin del pndulo invertido sobre el riel, as como la seal de control del sistema. A esta
prueba se le aplic una perturbacin liberando el pndulo simple a 35, tal y como se
detall en el apartado anterior.
ngulo de la varilla con respecto a la vertical << Compensador en adelanto >>
2
ngulo ()
-2
-4
-6
0 5 10 15 20 25 30
Tiempo (seg)

Perturbacin a 35.
De la figura anterior se puede observar que hasta antes del segundo doce, que es
aproximadamente el instante donde se present la perturbacin, el ngulo oscila en un
intervalo de 1.5, presenta un sobre impulso mximo de 5 y tarda aproximadamente dos
ciclos en alcanzar de nueva cuenta su estado estable.
79
Posicin del pndulo invertido sobre el riel << Compensador en adelanto >>
20
15
10
Longitud (cm)
0
-5
-10
-15
-20
0 5 10 15 20 25 30
Tiempo (seg)

Perturbacin a 35.
Al igual que el ngulo de la varilla con respecto a la vertical, la grfica de posicin del
pndulo sobre el riel en la figura anterior oscila en estado estable alrededor de 2 cm.,
teniendo un sobre tiro mximo de -5 cm. aproximadamente.
Seal de control del controlador clsico << Compensador en adelanto >>
10
5
Amplitud (volts)
-5
-10
0 5 10 15 20 25 30
Tiempo (seg)
La seal de control tiene un intervalo de operacin de 10 volts. En la grfica anterior

se presenta la seal de control del compensador en adelanto; en este caso, la seal no
sobrepasa los 5 volts, lo cual indica que el controlador realiza un esfuerzo de control
relativamente pequeo.
Ahora se le aplic una perturbacin al pndulo invertido liberando el pndulo simple a 45.
80
ngulo de la varilla con respecto a la vertical << Compensador en adelanto >>
ngulo ()
0
-2
-4
-6
0 5 10 15 20 25 30
Tiempo (seg)

Perturbacin a 45.
En comparacin con el ngulo de la varilla de la figura 4.18, la grfica que se muestra

en la figura anterior presenta oscilaciones en estado estable de iguales magnitudes; pero al
momento de aplicar la perturbacin, la cual es liberada a 10 ms que en el caso anterior, la
variable controlada presenta un notable incremento en su sobretiro, el cual alcanza un
mximo de 5 y alcanza su vuelve a su estado estable despus de dos ciclos.
Posicin del pndulo invertido sobre el riel << Compensador en adelanto >>
20
15
10
5
Longitud (cm)
-5
-10
-15
-20
0 5 10 15 20 25 30
Tiempo (seg)

Perturbacin a 45.
La posicin del pndulo invertido sobre el riel ilustrada grficamente en la figura

anterior tarda unos segundos ms en alcanzar su valor estacionario despus de la
perturbacin; esto debido al incremento de la magnitud de la perturbacin.
81
Seal de control del controlador clsico << Compensador en adelanto >>
10
Amplitud (volts)
0
-5
-10
0 5 10 15 20 25 30
Tiempo (seg)
La seal de control de la figura anterior posee la misma naturaleza oscilatoria en

relacin a la grfica de la seal de control de la figura 4.20, siendo de nueva cuenta una
seal relativamente pequea.
Red Nerviosa Bicore.
A continuacin se muestran las grficas correspondientes a la Red Nerviosa Bicore.

Cabe mencionar que a todas las pruebas realizadas a la Red se les aplic una perturbacin
liberando el pndulo simple a 35
Frecuencia de oscilacin de 485 KHz y un filtro pasa-bajas con frecuencia de de corte

de 2 KHz.
Oscilacin de la neurona Bicore y Vmed << f=485 Khz C=172pF >>

4
Oscilacin
3.5 Voltaje medio.
2.5
Amplitud (volts)
1.5
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (seg) -6
x 10
Figura 4.24.-Oscilacin de la neurona Bicore y Vmed (fosc=485 KHz C=175 pF).
82
En la grfica anterior se muestra la oscilacin generada por una de las salidas de la Red
Nerviosa Bicore, la cual se encuentra indicada en color azul. En color verde se aprecia el
voltaje promedio, resultado de haber filtrado la seal oscilante.

20
System: sysT
0
Frequency (rad/sec): 1.26e+004
Magnitude (dB): 9.42
-20
Magnitude (dB)
-40
-60
-80
-100
2 3 4 5 6
10 10 10 10 10
Frequency (rad/sec)
Figura 4.25.-Diagrama de Bode del filtro para-bajas con fc=2 KHz
En el diagrama de Bode anterior se puede apreciar la respuesta del filtro Chebyshev

Tipo I pasa-bajas. La frecuencia de corte es de 1.26e-4 rad/seg lo que es equivalente a 2.005
KHz.
A continuacin se presenta el comportamiento dinmico de la variable controlada, el

ngulo de la varilla con respecto de la vertical, aplicando la accin de control de la red
neuronal analgica. ste se muestra en la siguiente grfica.
ngulo de la varilla con respecto a la vertical << f=485 KHz fc=2 KHz >>
2
ngulo ()
-2
-4
-6
0 5 10 15 20 25 30
Tiempo (seg)
Figura 4.26.-ngulo de la varilla con respecto a la vertical (fosc=485 KHz fc=2 KHz).
83
Al hacer una comparativa entre la respuesta del controlador clsico y la del controlador
neuronal analgico, se observa que el ngulo en ste ltimo (Figura 4.26) oscila alrededor
de 0.5 y el mximo sobreimpulso es de aproximadamente -3, presentando un mejor
desempeo el controlar neuronal analgico en relacin al controlador clsico.
Posicin del pndulo invertido sobre el riel << f=485 KHz fc=2 KHz >>
20
15
10
5
Longitud (cm)
-5
-10
-15
-20
0 5 10 15 20 25 30
Tiempo (seg)
Figura 4.27.-Posicin del pndulo invertido sobre el riel (fosc=485 KHz fc=2 KHz).
La posicin del pndulo invertido a lo largo del riel, en el caso de la grfica anterior,
presenta una oscilacin en estado estable, pero el intervalo de magnitud de sta se
encuentra en 1 cm, lo que significa que es mejor el desempeo en relacin con el
compensador en adelanto. No obstante al momento de que se presenta la perturbacin el
mximo sobre tiro de la posicin es de casi el doble en relacin al obtenido mediante la
puesta en prctica del controlador clsico.
Seal de control de la red Bicore << f=485 KHz fc=2 KHz >>
10
5
Amplitud (volts)
-5
-10
0 5 10 15 20 25 30
Tiempo (seg)
Figura 4.28.-Seal de control del sistema (fosc=485 KHz fc=2 KHz).
84
La seal de control de la Red Bicore para esta configuracin en particular, la cual se

puede apreciar grficamente en la figura anterior, presenta un ligero ruido montado sobre la
seal, el cual es atribuido a la utilizacin de filtros y al manejo de frecuencias relativamente
grandes dentro del esquema del controlador neuronal analgico.
Frecuencia de oscilacin de 615 KHz y un filtro pasa-bajas con frecuencia de de corte

de 100 Hz.
En la siguiente grfica se muestra la oscilacin generada por una de las salidas de la

Red Nerviosa Bicore (grafico azul), pero en esta ocasin la frecuencia a la que oscila es de
615 KHz. En color verde se aprecia la componente de corriente directa de la seal
oscilante.
4
Oscilacin
3.5 Voltaje medio.
2.5
Amplitud (volts)
1.5
0.5
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (seg) -6
x 10
Figura 4.29.-Oscilacin de la neurona Bicore y Vmed (fosc=615 KHz C=122 pF).
Diagrama de Bode del filtro pasa-bajas con fc=100 Hz

20
0 System: sysT
Frequency (rad/sec): 628
-20
Magnitude (dB)
-40
-60
-80
-100
-120
1 2 3 4 5
10 10 10 10 10
Frequency (rad/sec)
Figura 4.30.-Diagrama de Bode del filtro para-bajas con fc=100 Hz.
85
La respuesta en frecuencia del filtro Chebyshev Tipo I pasa-bajas con una frecuencia de
corte de 100 Hz se muestra en la Figura 4.30.
El ngulo que guarda la varilla con respecto a la vertical, atendiendo a una frecuencia
de oscilacin por parte de la Red Nerviosa Bicore y a una frecuencia de corte del filtro
pasa-bajas, se ilustra grficamente en la siguiente figura.
ngulo de la varilla con respecto a la vertical << f=615 KHz fc=100 Hz >>
2
ngulo ()
-2
-4
-6
0 5 10 15 20 25 30
Tiempo (seg)
Figura 4.31.-ngulo de la varilla con respecto a la vertical (fosc=615 KHz fc=100 Hz).
Se puede apreciar de la grfica anterior que el ngulo es demasiado oscilante en estado

estable, encontrndose alrededor de 4, presentando a la vez un pico mximo durante la
perturbacin de -6.
La posicin del pndulo invertido sobre el riel se presenta en la siguiente figura.
Posicin del pndulo invertido sobre el riel << f=615 KHz fc=100 Hz >>
20
15
10
5
Longitud (cm)
-5
-10
-15
-20
0 5 10 15 20 25 30
Tiempo (seg)
Figura 4.32.-Posicin del pndulo invertido sobre el riel (fosc=615 KHz fc=100 Hz).
86
Se puede apreciar que esta variable oscila durante perodos de tiempo muy cortos, lo
cual se refleja a nivel prctico en una constante vibracin del pndulo invertido. El mximo
sobretiro que experimenta la variable es de 10 cm aproximadamente y teniendo un tiempo
de establecimiento de alrededor de 10 seg, lo cual es una respuesta lenta en comparacin a
los ejemplos citados con anterioridad.
En la siguiente grfica se puede observar la seal de control. El esfuerzo de control

ejercido por el controlador neuronal analgico, para esta prueba en particular, es muy
significativo.
Seal de control de la red Bicore << f=615 KHz fc=100 Hz >>
10
5
Amplitud (volts)
-5
-10
0 5 10 15 20 25 30
Tiempo (seg)
Figura 4.33.-Seal de control del sistema (fosc=615 KHz fc=100 Hz).
Las siguientes tablas muestran una sntesis de las grficas presentadas hasta este punto
del documento de tesis correspondientes al ngulo de la varilla con respecto a la vertical y
al la posicin de carro sobre el riel.
Tabla 4.2.- Sntesis de resultados experimentales en relacin al ngulo de la varilla ().

establecimiento
Valor en Edo.
Sobreimpulso
Tiempo de
Estable
Max.
Compensador 1.4 4.5 3.4 seg

Mejor caso RNA 0.5 3 4 seg
Peor caso RNA 4 6 5.2 seg
87
Tabla 4.3.- Sntesis de resultados experimentales en relacin a la posicin del carro (x).
establecimiento
Valor en Edo.
Sobreimpulso
Tiempo de
Estable
Max.
Compensador 2.4 cm 5 cm 2.4 seg
Mejor caso RNA 0.7 cm 9.3 cm 4.4 seg
Peor caso RNA 0.7 cm 10 cm 10 seg
4.5.- Anlisis de resultados.

Habiendo obtenido las grficas de la variable controlada, que para este caso en
particular es el ngulo de la varilla con respecto a la vertical, as como la seal de control,
es necesario obtener un anlisis numrico comparativo que nos permita complementar los
grficos. Este anlisis permitir apreciar de una manera ms clara el desempeo de cada
una de las variables.
Se analizaron los ndices de comportamiento IAE (Integral del valor absoluto del error),
ITAE (Integral del valor absoluto del error ponderado en el tiempo) y el ISE (Integral del error
cuadrtico). Adems se obtuvo el error medio (emedio), la desviacin estndar (Se), as como los
errores mximos y mnimos de las seales (emax, emin). Los datos fueron calculados a partir de
un programa realizado en el editor de MatLab el cual puede consultarse en el ANEXO H.
88
4.5.- ANLISIS DE RESULTADOS
Tabla 4.4.- Anlisis numrico comparativo del ngulo de la varilla ().
emedio Se emax emin IAE ITAE ISE

Compensador en adelanto 0.8164 0.5948 6.0547 0 153.3203 2.3034 297.1268
fosc= 615 Khz fc= 20 KHz 0.1315 0.2289 1.6346 0.0022 50.3035 0.8330 41.0845
fosc= 545 Khz fc= 20 Khz 0.2269 0.3404 2.8545 0.0022 49.9136 0.6745 46.9193
fosc= 485 Khz fc= 20 KHz 0.1580 0.2498 2.4509 0.0022 41.0254 0.6148 37.3808
fosc= 400 Khz fc= 20 KHz 0.2527 0.3455 2.4509 0.0022 59.7129 0.8753 57.3484
fosc= 92 Khz fc= 20 KHz 0.4086 0.5342 3.2671 0.0022 69.4666 0.9545 64.6356
fosc= 615 Khz fc= 10 KHz 0.4051 0.3007 2.8346 0.0221 74.7937 1.0157 74.1743
fosc= 545 Khz fc= 10 KHz 0.5611 0.5909 2.4545 0.0058 106.4011 1.8360 120.2867
fosc= 485 Khz fc= 10 KHz 0.5343 0.5379 2.4428 0.0058 96.1050 1.5130 106.9616
fosc= 400 Khz fc= 10 KHz 0.2281 0.2961 4.0671 0.0140 56.8152 0.7618 84.3707
fosc= 92 Khz fc= 10 KHz 0.3287 0.4143 2.4346 0.0140 74.6214 1.0672 79.5289
fosc= 615 Khz fc= 2 KHz 0.0710 0.1618 2.8590 0.0022 43.0409 0.6106 46.4875
fosc= 545 Khz fc= 2 KHz 0.1914 0.2339 3.6752 0.0022 50.6575 0.7520 55.5869
fosc= 485 Khz fc= 2 KHz 0.7011 0.1665 2.8590 0.0022 43.8842 0.6478 63.5052
fosc= 400 Khz fc= 2 KHz 0.1549 0.2467 3.6833 0.0104 48.5202 0.6507 62.6595
fosc= 92 Khz fc= 2 KHz 0.1061 0.2055 2.8590 0.0022 37.7920 0.5055 46.3745
fosc= 615 Khz fc= 100 Hz 2.4568 2.7310 6.1400 0.0184 956.2605 39.8796 2845
fosc= 545 Khz fc= 100 Hz 1.3016 1.4729 3.7833 0.1104 551.7550 22.4748 982.9851
fosc= 485 Khz fc= 100 Hz 1.4189 1.5821 3.4671 0.2022 581.5276 24.3567 1021.8
fosc= 400 Khz fc= 100 Hz 1.4519 1.6352 4.0252 0.0558 595.9233 24.9753 1097
fosc= 92 Khz fc= 100 Hz 1.6530 1.8006 3.4707 0.2022 656.1818 27.1464 1271
Ntese que al momento de realizar el anlisis comparativo, se tiene que tomar como
referencia los datos derivados del compensador en adelanto.
De los datos que proporciona la Tabla 4.4 se pueden distinguir bsicamente los mejores
y los peores casos. En relacin a los mejores casos, los controladores con frecuencia de
corte de 2 KHz mantienen la mayora de los ndices de comportamiento por debajo de los
valores de referencia, es decir, por debajo de los ndices de comportamiento obtenidos del
compensador en adelanto. Por otra parte, si se observan ahora los controladores cuyas
frecuencias de corte son de 100 Hz podemos apreciar que los indicadores numricos estn,
en la mayora de los casos, muy por encima de los valores de referencia. Este grupo de
controladores corresponde al de menor desempeo.
La Tabla 4.5 muestra los esfuerzos de control, tanto mnimos como mximos, de cada
uno de los controladores implementados.
89
Tabla 4.5.- Anlisis comparativo de la seal de control del sistema.
esfuerzomax esfuerzomin
Compensador en adelanto 2.2232 0.0167
fosc= 615 Khz fc= 20 KHz 6.1295 0.0132
fosc= 545 Khz fc= 20 Khz 3.5947 0.0029
fosc= 485 Khz fc= 20 KHz 4.3570 0.0029
fosc= 400 Khz fc= 20 KHz 4.0095 0.0073
fosc= 92 Khz fc= 20 KHz 3.6517 0.0029
fosc= 615 Khz fc= 10 KHz 5.9616 0.0175
fosc= 545 Khz fc= 10 KHz 10.6120 0.0234
fosc= 485 Khz fc= 10 KHz 10.6120 0.0175
fosc= 400 Khz fc= 10 KHz 8.2043 0.0175
fosc= 92 Khz fc= 10 KHz 8.9052 0.0234
fosc= 615 Khz fc= 2 KHz 6.0229 0.0073
fosc= 545 Khz fc= 2 KHz 2.6092 0.0029
fosc= 485 Khz fc= 2 KHz 5.3484 0.0073
fosc= 400 Khz fc= 2 KHz 4.0401 0.0073
fosc= 92 Khz fc= 2 KHz 2.6705 0.0029
fosc= 615 Khz fc= 100 Hz 9.9418 0.0073
fosc= 545 Khz fc= 100 Hz 9.7578 0.0482
fosc= 485 Khz fc= 100 Hz 8.2919 0.0073
fosc= 400 Khz fc= 100 Hz 10.6120 0.0336
fosc= 92 Khz fc= 100 Hz 10.6120 0.0336
En relacin a los esfuerzos de control se puede observar de la Tabla 4.5 que para los
controladores con mejor desempeo (controladores con fc = 2 KHz), los esfuerzos de
control estuvieron muy cercanos a la referencia comparativa, pero en ninguno de los casos
estuvo por debajo.
4.6.- Conclusiones previas

Se trabaj con el diseo y la puesta en prctica del controlador neuronal analgico
basado en la Red Nerviosa Bicore. Se realizaron diversas pruebas al controlador y es
relevante mencionar que el arreglo Bicore fue probado a cinco diferentes frecuencias de
oscilacin, adems de fijar cuatro diferentes frecuencias de corte del filtro pasa-bajas.
Despus de haber analizado los resultados de las pruebas correspondientes al

controlador propuesto, se pudo observar lo siguiente:
9 La frecuencia de corte del filtro pasa-bajas, as como la frecuencia de oscilacin de la

Red Nerviosa Bicore son claves en el desempeo del controlador neuronal analgico.
90
4.6.- CONCLUSIONES PREVIAS
9 El mejor desempeo del controlador diseado, en relacin al la frecuencia del filtro

pasa-bajas, se obtiene a 2 KHz, mostrando una rpida recuperacin ante
perturbaciones, ejerciendo un esfuerzo de control moderado y teniendo un error
mnimo en estado estable.
9 En contraste, el desempeo menos satisfactorio del controlador se consigue a una

frecuencia de corte del filtro pasa-bajas de 100 Hz. La variable de inters presenta un
gran error en estado estable y el momento de presentarse una perturbacin, el ngulo
de la varilla presenta un sobreimpulso de gran magnitud en comparacin al observado
en el mejor caso. Cabe mencionar que el esfuerzo de control es de gran magnitud.
9 Otro punto a destacar es el relacionado con el esfuerzo de control. Para el controlador

clsico, el esfuerzo de control es inferior a cualquier caso de la Red Neuronal
Analgica. Esta es una caracterstica que no fue superada por el controlador diseado.
Sin embargo, el controlador propuesto, en el mejor caso, supero al controlador clsico
en lo que al control del ngulo de la varilla se refiere.
91
92
Captulo 5
Conclusiones y trabajos futuros
5.1.- Conclusiones
En este tema de tesis se estudi y dise un controlador basado en Redes Neuronales
Analgicas, el cual fue aplicado para resolver el problema de control del pndulo invertido
tipo carro.
En una primera etapa de este trabajo se investig acerca del funcionamiento de las
Redes Neuronales Celulares y despus de diversas observaciones en relacin a su
funcionamiento y a las seales que proporciona se lleg a la conclusin de que las Redes
Neuronales Celulares no son como tal las ms adecuadas en la solucin del problema de
control del pndulo debido a la naturaleza oscilatoria de las seales. stas son aplicables
principalmente en la solucin de problemas de control relacionados con la generacin de
patrones oscilatorios, tales como la locomocin de robots de mltiples extremidades, el
caminar bpedo, el movimiento rtmico de un brazo, etc.
No obstante que el arreglo de las RNC no es lo ms adecuado para ser empleado como
un controlador para el caso del estudio abordado, de ste se deriv una configuracin
llamada Red Nerviosa Bicore, la cual posee ciertas de las caractersticas de la RNC aunado
a otras nuevas las cuales en conjunto hicieron posible la implementacin del controlador
neuronal analgico.
El diseo del filtro pasa-bajas, el cual tuvo la funcin principal de obtener la

componente de corriente directa de la seal oscilante generada por la Red Nerviosa Bicore,
es un elemento clave en el diseo del controlador ya que de este dependi en gran medida
la velocidad de respuesta en la seal de control; s el filtro es diseado de tal forma que se
tenga una respuesta lenta, esto se refleja en que el pndulo caer en su intento por mantener
la vertical.
Para solucionar el problema de la velocidad de respuesta del filtro se opt por ver que
filtros respondan de manera ms rpida y bajo que caractersticas de diseo. Se concluye
que un filtro Chebyshev Tipo I con rizo de 0.1 dB, bajo la configuracin Sallen-Key ser el
ms adecuado para este fin. Aunado a lo anterior, los filtros activos presentan un tiempo de
establecimiento pequeo y un sobreimpulso mnimo si trabajan a frecuencias relativamente
grandes, del orden de los cientos de kilohertz; en consecuencia, la red nerviosa debe
93
CAPTULO 5.- CONCLUSIONES Y TRABAJOS FUTUROS
trabajar a frecuencias en ese orden de hertz, siendo la mxima frecuencia de oscilacin

alcanzada 615 KHz.
Se debe resaltar la importancia de haber utilizado seales a frecuencias relativamente

grandes, del orden de los kilohertz, ya que aunque estas fueron filtradas para obtener
nicamente su componente de corriente directa, existe un compromiso entre la frecuencia
de oscilacin de la Red Neuronal y la frecuencia de corte del filtro, el cual gobierna el buen
desempeo del controlador neuronal analgico. Se observ tambin que la seal de control
inyectada al pndulo invertido present ruido en varias de las pruebas efectuadas. En la
prctica, esto tuvo como resultado que el pndulo invertido experimentara ciertas
vibraciones producto del ruido presente en la seal de control.
La Red Nerviosa Bicore se compone de un nmero muy reducido de componentes

electrnicos y por lo tanto es realmente muy sencilla de implementar; lo anterior fue lo que
hizo atractivo el llevarla a la prctica como un controlador, y muy en particular, como uno
para pndulo invertido. Sin embargo, esta misma sencillez en el diseo hizo que en cierta
manera el controlador tuviera limitantes al momento de querer lograr ciertas
especificaciones de diseo.
La validacin a nivel experimental del controlador neuronal analgico se realiz

aplicando ste al pndulo invertido. Pequeas placas electrnicas fueron fabricadas
atendiendo a las especificaciones de diseo.
El controlador neuronal analgico present un muy buen desempeo en lo que a la

variable de control se refiere. En el mejor de los casos, logr mantener la vertical de la
varilla en estado estable en un intervalo de 0.5 y un mximo sobreimpulso de
aproximadamente -3 al momento de presentarse la perturbacin. Por otra parte y
atendiendo a las mismas condiciones experimentales, el controlador clsico hizo lo propio
manteniendo el ngulo de la varilla con respecto a la vertical en estado estable en un
intervalo de 1.5 y un mximo sobreimpulso de aproximadamente 5. En esta primera
comparativa en relacin al desempeo que guarda el ngulo con respecto a la vertical, el
controlador neuronal analgico fue mejor que el controlador clsico.
La respuesta ante perturbaciones es otra caracterstica a evaluar en cada uno de los

controladores. Se debe recordar que la aplicacin de la perturbacin sobre el ngulo del
pndulo fue aproximadamente igual para cada una de las pruebas experimentales, tal y
como se explic en el apartado de diseo de experimentos en el Captulo 4. En este sentido,
el controlador neuronal analgico fue superado por el compensador en adelanto. Este
ltimo logr sobreponerse a perturbaciones ocasionadas por la liberacin del pndulo
simple a un ngulo mayor a los 35, cosa que el controlador analgico no logr. Por lo
descrito en este prrafo y haciendo referencia a este trabajo de tesis, se concluye que el
controlador neuronal analgico tiene un bajo nivel de desempeo ante el rechazo a
perturbaciones.
Otra de las variables de inters por explorar fue la posicin del pndulo a lo largo del
riel. En estado estable, sta guarda una ntima relacin con el ngulo del pndulo invertido
en relacin a su comportamiento dinmico; no obstante, al momento de presentase un
94
5.1.- CONCLUSIONES
disturbio sobre el ngulo, es notable que el controlador neuronal analgico presenta un

sobreimpulso mayor que el controlador clsico. Este comportamiento se justifica tomando
en consideracin el bajo nivel de desempeo que tiene el controlador neuronal analgico en
cuanto a rechazo a perturbaciones.
En lo referente al esfuerzo de control que lleva a cabo la red nerviosa Bicore, ste es
mayor que el efectuado por el compensador en adelanto.
Por lo anterior, se puede concluir que el diseo y puesta en marcha de una red nerviosa
Bicore como un controlador, present un muy buen desempeo en estado estable en lo que
se refiere al ngulo que guarda el pndulo con respecto a la vertical, la posicin del pndulo
sobre el riel y la seal de control entregada; Sin embargo, el controlador neuronal analgico
es superado significativamente por el controlador clsico al momento se sobreponerse a
perturbaciones.
5.2.- Trabajos futuros

Diversos trabajos a futuro pueden realizarse a partir de este trabajo de investigacin.
Algunos de estos se presentan a continuacin.
Prescindir del filtro pasa-bajas en el controlador neuronal analgico. El objetivo

del filtro pasa-bajas dentro del controlador neuronal analgico fue el de obtener la
componente de corriente directa a partir de las seales oscilantes entregadas por la Red
Nerviosa Bicore, para posteriormente generar la seal de control. Por lo que para tener un
controlador con mejores caractersticas se propone como trabajo futuro el empleo de un
nuevo arreglo electrnico el cual manipule las seales entregadas por la Red Nerviosa
Bicore y que en conjunto logren obtener una seal de control elctricamente mejorada para
que de esta manera se incremente en gran medida el desempeo del controlador.
Red Nerviosa Bicore aplicada a la posicin del pndulo invertido sobre el riel. En
este trabajo de tesis, el control de posicin del pndulo a lo largo del riel fue realizado por
un controlador PD siendo este parte del controlador neuronal analgico. La utilizacin de
una Red Nerviosa Bicore en vez del controlador proporcional-derivativo es un trabajo a
futuro que permitir estudiar el efecto global que tiene el controlador neuronal analgico
sobre el control del pndulo invertido tipo carro.
Mejorar la respuesta ante perturbaciones. Si bien el controlador clsico supero al

controlador neuronal analgico en lo que a rechazo ante perturbaciones se refiere, esto no
significa que todos los recursos hayan sido agotados para mejorar este aspecto. Nuevas
investigaciones se pueden realizar en este sentido y de esta manera mejorar el desempeo
del controlador neuronal analgico.
Control de pndulo invertido rotatorio. Teniendo en consideracin que el pndulo

invertido rotatorio posee una dinmica de mayor complejidad en relacin al pndulo
invertido tipo carro, es importante considerar como un trabajo a futuro la aplicacin del
95
CAPTULO 5.- CONCLUSIONES Y TRABAJOS FUTUROS
controlador neuronal analgico a este otro tipo de pndulo invertido con la finalidad de
estudiar su comportamiento y al mismo tiempo corroborar su potencialidad a la hora se ser
implementado como controlador en diferentes sistemas.
96
Bibliografa
[1] Arena, P.; Fortuna, L. Analog Cellular Locomotion Control of Hexapod Robots
IEEE Control Systems Magazine, 2002. pp 21-36
[2] Arena, P.; Fortuna, L.; Frasca, M. Bio-Inspired Emergent Control of Locomotion
Systems World Scientific Series on Nonlinear Science, Series A, Vol. 48, 2004.
[3] Bharathwaj Muthuswamy "Implementing Central Pattern Generators for Bipedal

Walkers using Cellular Neural Networks" University of California, Berkeley, Master
Degree Thesis, 2005
[4] Brock, S. Practical approach to fuzzy control of inverter pendulum. IEEE

International Conference on Industrial Technology, 2003. pp 31-35.
[5] BYTRONIC Internacional LTD Documentation for the BYTRONIC Pendulum

Control System Version 2.1
[6] C. W. Anderson, Learning to control an inverted pendulum using neural network,

IEEE Control Syst. Mag., 1989. pp. 3137.
[7] Carla Alves Pinto, Martin Golubitsky "Central Pattern Generators for Bipedal
Locomotion" Journal of Mathematical Biology, 2006. pp. 474-489
[8] Chua, L.O.; Yang, L.; Cellular neural networks: applications Circuits and
Systems, IEEE Transactions on. 1988. pp. 1273 - 1290
[9] Chua, L.O.; Yang, L. "Cellular neural networks: theory" Circuits and Systems,
IEEE Transactions on, 1998. pp. 1257-1272
[10] Chua L.O., Lin Yang "Cellular Neural Networks" United States Patent, Patent
Number: 5140670, 1992
[11] Dongrui Wu; Woei Wan Tan; Prahlad Vadakkepat; A Comparison of Several
Hardware-Realized Central Pattern Generators (CPGs) Department of Electrical and
Computer Engineering, National University of Singapore
[12] Emilio Soria, Antonio Blanco Redes Neuronales Artificiales Autores cientfico-
tcnicos acadmicos, 2001.
[13] Eugene M. Izhikevich "Wich model to use for cortical Spiking Neurons ?" IEEE
Transactions on Neural Networks, 2004. pp. 1063-1070
97
BIBLIOGRAFA
[14] F. K. Shuuji Kajita, Kenji Kaneko, Kiyoshi Fujiwara, and K. Y. a. H. Hirukawa, "A
Realtime Pattern Generator for Biped Walking," International Conference on Robotics &
Automation, pp. 31-37, May 2002.
[15] F. K. Shuuji Kajita, Kenji Kaneko, Kiyoshi Fujiwara, Kensuke Harada, Kazuhito
Yokoi and Hirohisa Hirukawa, "Biped Walking Pattern Generation by using Preview
Control of Zero-Moment Point," ICRA, Sep 2005.
[16] Farzan Nadim and Amitabha Bose "Dynamics of Central Pattern Generating
Networks: Locus of Control" Society for Industrial and Applied Mathematics, 2007.
[17] Fierro, R.; Lewis, F.L.; Lowe, A.; Hybrid control for a class of underactuated
mechanical systems, Systems, Man and Cybernetics, Part A, IEEE Transactions on
Volume 29, 1999. pp 649 654.
[18] Franco Sergio, Design with Operational Amplifiers and Analog Integrated
Circuits Mc. Graw-Hill, pp 146-152
[19] Grossimon, P.G.; Barbieri, E.; Drakunov, S. Sliding mode control of an inverted
pendulum. System Theory, Proceedings of the Twenty-Eighth Southeastern Symposium in
1996. pp 248 252.
[20] Hamid Benbrahim. Biped Dynamic Walking Using Reinforcement Learning

University of New Hampshire Doctoral Thesis, 1996
[21] Hilera Jos H., Martnez Vctor J., Redes Neuronales Artificiales. Fundamentos,
modelos y aplicaciones Edit. Addison-Wesley Iberoamericana 1995.
[22] Horikawa, S.I., T. Furuhashi and Y. Uchikawa. On fuzzy modeling using neural
networks with the back propagation algorithm. IEEE Trans. Neural Networks, 1992.
[23] Iwashiro, M.; Furuta, K.; Astrom, K.J., Energy based control of pendulum,
Control Applications, 1996., Proceedings of the 1996 IEEE International Conference on
1996. pp 715 720.
[24] Jannete R. Frigo, Mark W. Tilden "Analog neural network control method proposed
for use in a backup satellite control mode" Proc. SPIE Vol. 3210, 1998. pp. 84-94
[25] Jannete R. Frigo, Mark W. Tilden A biologically inspired neural network controller
for an infrared tracking system Los Alamos National Laboratory, Proc. SPIE, 1995.
[26] Jannete R. Frigo, Mark W. Tilden Satboot I: Prototype of a biomorphic

autonomous spacecraft Los Alamos National Laboratory, Proc. SPIE, 1995.
[27] J. K. Hodgins, M. H. Raibert, Biped Gymnastics, The International Journal of

Robotics Research, 1990.
98
BIBLIOGRAFA
[28] Kato, S. Ohteru, H. Kobayashi, K. Shirai and A. Uchiyama, Information-power

machine with senses and limbs First CISM-IFToMM Symposium on Theory and Practice
of Robots and Manipulators, 1974.
[29] Kazuki Nakada, Tetsuya Asai, and Yoshihito Amemiya "Design of an artificial
Central Pattern Generator with feedback controller" Intelligent Automation and Soft
Computing, Vol. 10, No. 2, 2004, pp. 185-192
[30] Lin, C.T. and C.S.G. Lee. Neural network based fuzzy logic control and decision
systems. IEEE Trans. Computers, 1992. pp 1320-1336.
[31] M. Anthony Lewis, Francesco Tenore, Ralph Etienne-Cummings "CPG Design

using Inhibitory Networks" International Conference on Robotics and Automation, 2005.
pp. 3682-3687
[32] M. Bugeja, Non-linear swing-up and stabilizing control of aninverted pendulum

system. EUROCON, Computer as a Tool, 2003. pp 437 - 441
[33] M. H. Raibert, Hopping in legged systems modeling and simulation for the two
dimensional one-legged case, IEEE Transactions on Syst. Man Cybernetics, 1984.
[34] Magana, M.E.; Holzapfel, F. Fuzzy-logic control of an inverted pendulum with

vision feedback, Education, IEEE Transactions on, 1998. pp. 165170
[35] Mohamed I. El-Hawwary,; A. L. Elshafei; H. M. Emara; Adaptive Fuzzy Control

for the Inverted Pendulum Problem IEEE Transactions on Control Systems Technology,
2006. pp 1135-1144
[36] Nafis, Adeel, "Fuzzy Control of Inverted Pendulum on a Cart", (IEEE), Karachi
Section Conference on "technology extravaganza", 2001
[37] Nenadic, Z.; Ghosh, B.K. "Signal processing and control problems in the brain"
Control Systems Magazine, IEEE, 2001. pp. 28-41
[38] Patricar, A. and J. Provence. A selforganizing controller for dynamic processes

using neural networks. Intl. Joint Conf. Neural Networks, 1990. pp 359-364.
[39] Philip Holmes, Robert J. Full, Daniel E. Koditschek, John Guckenheimer. "The
Dynamics of Legged Locomotion: Models, Analyses, and Challenge" Society for Industrial
and Applied Mathematics, 2006. pp. 207-304.
[40] R. Lozano and I. Fantoni. Passivity based control of the inverted pendulum. In
Proceedings of the 4th IFAC Symposium on Nonlinear Control Systems Design, 1998. pp
145-150.
[41] R. N. Yadav, V. Singh, P. K. Kaka. "Classification Using Single Neuron" INDIN

2003. Proceedings IEEE International Conference on, 2003. pp.124-129
99
BIBLIOGRAFA
[42] Sakai, S.; Takahama, T. Learning fuzzy control rules for inverted pendulum by
simplex method. IFSA World Congress and 20th NAFIPS International Conference, 2001.
pp: 2541-2546.
[43] T. Ishida, N. Shiokawa, T. Nagado, and S. Ganeko, Learning control of an inverted

pendulum using a neural network. in Proc. IEEE Conf. Industiral Electronics, Control and
Instrumentation, 1991. pp 14011404.
[44] T. McGeer, Passive dynamic walking, The International Journal of Robotics

Research, 1990.
[45] Takagi, H. and I. Hayashi. NN-driven fuzzy reasoning. Intl. J. Approximate

Reasoning, 1991. pp 191-212.
[46] Takanishi, G. Naito, M. Ishida, I. Kato, Realization of plane walking by the biped
walking robot WL-10R, Robotic and Manipulator Systems, 1982. pp. 283-393
[47] Takanishi, H. Lim, M. Tsuda, I. Kato, Realization of dynamic biped walking

stabilized by trunk motion on a sagittally uneven surface, IEEE International Workshop on
Intelligent Robots and Systems, 1990.
[48] Tay Sam Leng; Nah Swee Leng; Ng We Teck. Control of an inverted pendulum
using a neuro-fuzzy controller, Motion Control Proceedings, 1993., Asia-Pacific
Workshop on Advances in 1993. pp 212 217.
[49] V. A. Tsachouridis and G. A.Medrano-Cerda, Discrete-timeH control of a triple

inverted pendulum with single control input, Proc. Inst. Elect. Eng.Control Theory
Appl., 1999. pp. 567577
[50] Wellstead Peter E., Introduction to physical System Modelling, Academic Press
Ltd., 1979
[51] Wouter Brok; Suspended Bicore Eindhoven, The Netherlands. 1999.
[52] Wu Q. Lyapunov stability control of constrained inverted pendulums with general

base point motion. American Control Conference, 1999. pp 293-297.
[53] Y. Kurematsu, O. Katayama, M. Iwata, S. Kitamura, Autonomous trajectory

generation of a biped locomotive robot, Proceedings of the International Joint Conference
on Neural Networks (IJCNN), 1991. pp. 1983-8.
[54] Z. G. Nenadic, B.K., "Signal processing and control problems in the brain," Control
Systems Magazine, IEEE, pp. 28 - 41, Aug. 2001.
[55] Zongli Lin; Saberi, A.; Gutmann, M.; Shamash, Y. Linear controller for an
inverted pendulum having restricted travel: a high-and-low gain approach. American
Control Conference, 1996. pp 2980-2984.
100
ANEXO A
Grficas de simulacin de una RNC con dos
neuronas.
Las siguientes grficas presentan el comportamiento dinmico de las salidas X1 y X2

realizando variaciones a los parmetros , s y i12 (Ec. 2.12).
Nota: Parmetros de simulacin tomados de la referencia [1]
Para =0.5 y s = 1 i1 = -0.3 i2 = 0.3
Salidas X1 y X2 de la Red Neuronal Celular de dos neuronas.

2
X1
1.5 X2
0.5
Amplitud (volts)
-0.5
-1
-1.5
-2
-2.5
-3
0 10 20 30 40 50 60 70 80 90 100
Tiempo (seg)
101
ANEXO A
Para = 0.65 y s = 1 i1 = -0.3 i2 = 0.3

3
X1
X2
2
Amplitud (volts)
0
-1
-2
-3
0 10 20 30 40 50 60 70 80 90 100
Tiempo (seg)
Para = 0.3 y s = 1 i1 = -0.3 i2 = 0.3

1.5
X1
1 X2
0.5
0
Amplitud (volts)
-0.5
-1
-1.5
-2
-2.5
0 10 20 30 40 50 60 70 80 90 100
Tiempo (seg)
102
ANEXO A
Para = 0.5 y s = 1.5 i1 = -0.3 i2 = 0.3

2
X1
1.5 X2
Amplitud (volts) 0.5
-0.5
-1
-1.5
-2
-2.5
0 10 20 30 40 50 60 70 80 90 100
Tiempo (seg)
Para = 0.5 y s = 0.9 i1 = -0.3 i2 = 0.3

2
X1
1.5 X2
0.5
Amplitud (volts)
-0.5
-1
-1.5
-2
-2.5
-3
0 10 20 30 40 50 60 70 80 90 100
Tiempo (seg)
103
ANEXO A
Para = 0.5 y s = 1 i1 = -0.3 i2 = 0.36
Salida X1 con diferentes valores de i2 de la CNN de dos neuronas.

1.5
X1 con i2=0.3
1 X1 con i2=0.36
0.5
Amplitud (volts) 0
-0.5
-1
-1.5
-2
-2.5
-3
0 10 20 30 40 50 60 70 80 90 100
Tiempo (seg)
104
ANEXO B
Instalacin y puesta en marca de la tarjeta de
adquisicin de datos.
La utilizacin de una tarjeta de adquisicin de datos fue requerida para enviar y leer
seales diversas por medio de una computadora. De esta forma se obtuvieron grficos
deseados de acuerdo a las necesidades requeridas.
Para la instalacin de la tarjeta de adquisicin de datos (marca National Instruments

PCI 6025E) a la computadora, se siguieron los siguientes pasos:
9 Teniendo apagada la computadora, se insert la tarjeta National Instruments PCI

6025E en una ranura PCI. Posteriormente se realiz la interconexin de la tarjeta de
adquisicin de datos con la tarjeta de conexiones mediante el cable provisto por el
fabricante del dispositivo para dicho fin.
9 Se encendi el equipo de cmputo y se ejecut el software de MatLab.

Posteriormente se ejecut Simulink (se escribi la palabra simulink en la ventana de
comando de Matlab y dio clic en la tecla de aceptar). Se cre un nuevo archivo
*.mdl (nuevo modelo).
Para que la simulacin del nuevo documento creado en Simulink realizara una correcta
interfase con la tarjeta de adquisicin de datos, se efectuaron ciertas configuraciones, las
cuales se explican a continuacin.
9 En la ventana de Configuracin de parmetros, a la cual se accedi siguiendo la

figura B.1, se seleccion de la parte izquierda de la ventana la opcin Solver; aqu
se cambi el paso de integracin a paso fijo (Type: Fixed-step), el mtodo de
solucin a Runge-Kutta (Solver: ode4 (Runge-Kutta)) y por ltimo el perodo de
muestreo a 0.005 seg (Fixed step-size (Fundamental simple time): 0.005). Lo
anterior se ilustra en la figura B.2.
Figura B.1.- Ruta de acceso a la ventana de Configuracin de parmetros.
105
ANEXO B
Figura B.2.- Ventana de configuracin de la opcin Solver.
9 En esta misma ventana de Configuracin de parmetros, se dio clic en la opcin

Real-Time Workshop. En la seccin Target Seleccin se puls el botn Browse;
en la ventana que apareci, se seleccion Real-Time Windows Target (rtwin.tlc) y
se dio clic en aceptar (figura B.3). La opcin The Real-Time Windows Target utiliza
un pequeo kernel de tiempo real para asegurar que la aplicacin corra en tiempo
real. El kernel de tiempo real corre en el CPU en modo kernel o privilegiado y
utiliza el reloj de la PC como su fuente primaria de tiempo.
Figura B.3.- Seleccin del kernel de tiempo real para The Real-Time Windows Target.
9 Estando posicionados de nueva cuenta en la ventana de Configuracin de

parmetros se dio clic en aceptar. Por ltimo y en lo que a las configuraciones de
los parmetros de simulacin se refiere, se seleccion el modo de simulacin a
externo, tal y como se muestra en la figura B.4. La comunicacin entre Simulink y
la aplicacin en tiempo real es a travs del mdulo de interfaz externo de Simulink.
106
ANEXO B
Este mdulo se comunica directamente con el kernel de tiempo real y es usado para
iniciar la aplicacin en tiempo real.
Figura B.4.- Seleccin del mdulo de interfaz externo de Simulink.
En la ventana de las libreras de Simulink se seleccion la pestaa de nombre Real-

Time Windows Target. Los bloques de entrada/salida de Real-Time Windows Target
permiten seleccionar y conectar canales anlogos y/o digitales especficos al modelo de
Simulink (figura B.5).
Figura B.5.- Bloques de entradas y salidas anlogas y/o digitales.
Para este trabajo de tesis slo se utilizaron los bloques anlogos, para lo cual se tuvo
que realizar la configuracin de los mismos de la siguiente manera.
9 Se dio doble-clic sobre el bloque a configurar.

9 En la opcin del perodo de muestreo (Sample Time), se introdujo el mismo valor
especificado en la ventana de Configuracin de parmetros, el cual fue para este
caso de 0.005 seg.
9 Se especific el canal a utilizado en la tarjeta de adquisicin de datos.
9 El rango de voltaje a utilizado se configurar como -10 a 10 V.
9 Finalmente se dio clic en aceptar para que las configuraciones tuvieran efecto.
107
ANEXO B
La ventana de configuracin del bloque de entrada anloga se muestra en la siguiente

figura.
Figura B.6.- Ventana de configuracin del bloque de entrada anloga.
A continuacin se cita el procedimiento que se realiz para llevar a cabo una simulacin:
9 Se compil el modelo. Esto se llev a cabo tecleando Ctrl.+B o siguiendo la ruta

como lo muestra la siguiente figura.
Figura B.7.- Compilado del modelo.
9 Posteriormente se conect la tarjeta de adquisicin de datos seleccionando la

pestaa Simulation y dando clic en la opcin Connect To Target.
9 Finalmente se dio clic en el botn de play para iniciar la simulacin.
108
ANEXO C
Diagrama electrnico de la circuitera de la consola
de control de pndulo invertido.
Figura C.1.-Circuito electrnico de la consola de control del pndulo invertido.
1).- Fuente de voltaje simetrica de 10v

2).- Limitador de voltaje a 10v
3).- Etapa de ganancia del servo motor.
4).- Acondicionadores de voltaje.
109
ANEXO D
Especificaciones de la maqueta de pndulo
invertido marca BYTRONIC.
*Motor-tacho M66CE
El M66CE es un servo motor de CD de alto rendimiento y baja inercia, el cual provee
una potencia de salida de 30W y brinda un buen funcionamiento en un amplio intervalo de
velocidad.
a) b)
Figura D.1.- Motor-tacho M66CE a) Servo motor M66CT b) Servo motor serie 120.
Figura D.2.- Medidas en mm y cables de alimentacin del servo motor M66CT
110
ANEXO D
Tabla D.1.- Especificacin del Servo motor tipo M78CT24 (M66CT).
Voltaje Nominal 30 V CD
Potencia de Salida 30 Watts
Velocidad en vaco 2,900 rpm
Velocidad promedio de torque 2,300 rpm
Torque Promedio 12 Ncm
Torque Mximo 36 Ncm
Corriente mxima en vaco 65 mA
Inercia del Rotor 0.214 Kgcm^2
Constante de tiempo Mecnica 17 mseg
Constante de Torque 9.8 Ncm/A
Constante de Voltaje 10.23 V/1000rpm
Resistencia del Rotor 7.8 ohms
Inductancia del Rotor 5 mH
Conmutacin Carbones de Grafito
Rodamiento De Bolas
Carga radial mxima 100 N
Carga axial mxima 15 N
Rango de temperatura de operacin (-10 a 60 C)
El servo motor de la serie 120-18 sumistra todas las ventajas necesarias para lograr un
alto rendimiento de servo operacin, combinando con un costo muy accesible.
Figura D.3.- Servo motor serie 120-18.
Figura D.4.- Medidas en mm del motor 120-18.
111
ANEXO D
Tabla D.2.- Especificacin del servo motor serie 120-18.
Dimetro del cuerpo del motor 29 mm

Voltaje Nominal 24 V cd
Potencia de Salida 2.9 Watts
Velocidad en vaco 3,800 rpm
Velocidad promedio de torque 3,000 rpm
Torque Promedio 0.6 Ncm
Torque Mximo 2.9 Ncm
Corriente mxima en vaco 0.031 A
Inercia del Rotor 0.009 Kgcm^2
Constante de tiempo Mecnica 13 mseg
Constante de Torque 6.12 Ncm/A
Constante de Voltaje 6.3 V/1000rpm
Resistencia del Rotor 47 ohms
Inductancia del Rotor 4.1 mH
Conmutacin Metal Precioso
Rodamiento De deslizamiento
Carga radial mxima 5N
Carga axial mxima 0.5 N
Rango de temperatura de operacin (-10 a 65 C)
Rango de temperatura de Almacenamiento (-20 a 80 C)
*Potencimetro industrial de Precisin
Figura D.5.- Potencimetro industrial de Precisin Vishay Spectrol modelo 157.
Alta Calidad
Corta distancia entre la parte trasera y el control frontal
Acero inoxidable como recubrimiento
Larga vida en su control rotacional
Amplio rango de temperatura de operacin
112
ANEXO D
Tabla D.3.- Especificaciones elctricas del potenciometro industrial de precisin.
Resistencia 1K a 100K
Resistencia de Tolerancia 20%
Tolerancia especial 10%
Exactitud 2.0%
Exactitud especial 0.25 %
Resistencia coeficiente de Temperatura 600ppm/C
Potencia Radiada 1 Watt a 40C
Tasa de reduccin 0 Watts a 125C
Rotacin 340C 4
Voltaje Final 0.5% mximo
Soporte de el Dielctrico 1000 Vrms a 60Hz
Resistencia de aislamiento 100 M mnimo,500 VDC
Figura D.6.- Medidas en mm del Potencimetro vishay Spectrol modelo 157.
113
ANEXO D
*Potencimetro de posicin del Carro
Figura D.7.- Potencimetro Sakae Modelo 22HHp-10E.
Tabla D.4.- Especificaciones Electricas Potencimetro Sakae Modelo 22HHp-10E.
Valores estndar de resistencia 2K,5K,10K,20K,50K,100K() en 10

vueltas
Resistencia de Tolerancia estndar 10%
Resistencia de Tolerancia especial 5%
Tolerancia linealmente independiente:
Estndar .025%
Alta presicin 0.1%
Resolucin Esencialmente infinita
Salida Suave 0.015% ajustable con respecto a la entrada
de voltaje
Potencia de salida 2.0W
Recorrido elctrico 360 con 5 de diferencia
Recorrido Mecnico 360 con + 10 de diferencia
Voltaje mximo de operacin 500V
Coeficiente de temperatura de la
Resistencia 100p.p.m./C
Troqu mximo 1 N*m
Masa 20gr
114
ANEXO D
Figura D.8.- Medidas del Potencimetro Sakae Modelo 22HHP-10E.
*Caractersticas de la banda detada.

Nomenclatura de la banda : 10T101300KNT de la marca MECTROL
Figura D.9.- Banda dentada marca MECTROL.
115
ANEXO D
*Caractersticas de la Polea dentada.
Dimensiones segn el manual de MECTROL

Nmero de Dientes PD OD Fd Dm D L F
16 25.5mm 24.6mm 29mm 18mm 6mm 21mm 15mm
Nomenclatura de la polea: P21T5161FA
Figura D.10.- Polea dentada marca MECTROL.
Tabla D.5.- Pesos de las Partes del Pndulo Invertido.
Varilla 60gr
Aro Varillita 8gr
Peso Pndulo 220gr
*Carro Antes 242gr
**Carro Ahora 247gr
* Incluye: Dos placas con balero, cilindro rotatorio, un potencimetro con orejas y tornillos,
carcasa plstica cuadrada y cable del potencimetro, tornillos cortos, arandelas, tuercas y
cubre tuercas.
**Incluye: Una placa negra y una de aluminio, cilindro rotatorio, dos potencimetros con
orejas y tornillos, carcasa plstica cuadrada y cable del potencimetro, tornillos cortos,
arandelas, tuercas y cubre tuercas.
116
ANEXO E
Montaje fsico de un segundo potencimetro a la
varilla del pndulo invertido.
La varilla de pndulo invertido cuenta con un potencimetro acoplado para la medicin

del ngulo al cual se encuentra la varilla. Dicho potencimetro es energizado con un voltaje
de +10 volts en una de sus terminales de sus extremos y con -10 volts en la terminal del
extremo opuesto. Esto con el fin de que cuando la varilla este a 0 con respecto a la vertical
exista un voltaje de 0 volts con respecto a tierra. La pregunta es, Por qu acoplar un
segundo potencimetro a la varilla del pndulo invertido si ya cuenta con uno?
El potencimetro ya instalado funciona como sensor de posicin el cual entrega un

nivel de voltaje de corriente directa en relacin al ngulo al que se encuentre la varilla. El
segundo potencimetro se utilizar como las resistencias que conformarn los dos circuitos
RC de la red de neuronas Nv, tal y como se ilustra en la figura.
Es importante resaltar que un solo potencimetro no puede ser utilizado para los dos
fines.
La siguiente figura muestra dos imgenes. En la imagen de la izquierda se muestra el

carro con un solo potencimetro instalado. En la imagen de la derecha se puede apreciar un
segundo potencimetro acoplado a la varilla del pndulo invertido.
Figura E.1.- Acoplamiento del potencimetro destinado para entregar un voltaje de CD en

relacin al ngulo de la varilla (izquierda). Parte opuesta donde se acoplar el segundo
potencimetro (derecha).
Para la instalacin del segundo potencimetro se mand maquinar una pequea placa,
la cual forma parte del carro que soporta la varilla. Esta placa tambin se puede apreciar en
la figura anterior en color plateado.
117
ANEXO E
Aprovechando que las piezas del carro del pndulo invertido fueron desmontadas de la
maqueta y observando que la banda, de la cual depende su movimiento, estaba a punto de
reventarse por el desgaste del uso, se opt por retirarla y sustituirla por una banda nueva.
El grado de deterioro de la banda puede apreciarse en la siguiente figura, as como tambin
la banda nueva que fue instalada.
Figura E.2.- Banda deteriorada (izquierda) sustituida por una banda nueva de las mismas
(derecha).
118
ANEXO F
Programa para calcular el valor de los elementos
del filtro pasa-bajas Sallen-Key de tercer orden.
clc
clear all
close all
fc=input('Frecuencia de corte (Hz)=')

wc=fc*2*pi; %La frecuencia en Hertz es convertida
a frecuencia en radianes.
w1=1.3;
Q1=1.341;
w2= 0.969; %Estos tres valoresw anteriores fueron tomados de una
tabla (respuesta Chebychev y rizo de 0.1 dB)
k=3;
a1=((1+sqrt(1-(4*(Q1^2)*(2-k))))/(2*Q1*(2-k)))^2
a2=((1-sqrt(1-(4*(Q1^2)*(2-k))))/(2*Q1*(2-k)))^2
if a1<0;
a=a1;
elseif a2<0;
a=a2;
elseif a2>a1;
a=a1;
else a1>a2;
a=a2;
end
C=input('Valor del Capacitor (Farads)=')
'Etapa de segundo orden'
R2=1/(wc*w1*C*sqrt(a))
R1=a*R2
'Etapa de primer orden'
Rp=1/(wc*w2*C)
119
ANEXO F
*Diagrama implementado en SIMULINK del filtro pasa-bajas Sallen-Key

de tercer orden.
Figura F.1.- Diagrama implementado en SIMULINK del filtro pasa-bajas Sallen-Key.
Respuesta del filtro pasa-bajas Chebyshev Tipo I de orden tres bajo la

configuracin Sallen-Key.
Las siguientes dos ilustraciones muestran la respuesta del filtro Chevyshev Tipo I de orden
tres ante el cambio repentino del ciclo de trabajo de la seal a ser filtrada y de la cual slo
se quiere obtener su componente de corriente directa.
La seal a ser filtrada es una seal cuadrada que oscila entre 0 y 4 volts. En las
simulaciones realizadas, la seal presenta un ciclo de trabajo del 50% hasta los 0.002 seg y
despus de este tiempo, el ciclo de trabajo aumenta a un 75%.
120
ANEXO F
Figura F.2.-Respuesta del filtro Chebyshev Tipo I pasa-bajas (fc = 10 KHz).
En la grfica anterior se puede apreciar que el filtro presenta un sobre impulso muy
pequeo, teniendo tambin un tiempo de establecimiento igualmente pequeo.
Figura F.3.-Respuesta del filtro Chebyshev Tipo I pasa-bajas (fc = 2 KHz).
A diferencia de la grfica de la Figura F.2, la respuesta del filtro con frecuencia de corte de
2 KHz, la cual se ilustra en la parte superior de este prrafo, present un sobreimpulso y un
tiempo de establecimiento mayor al del filtro con fc = 10 KHz; no obstante, es una muy
buena respuesta del filtro pasa-bajas en relacin a las exigencias de la aplicacin.
121
ANEXO G
Grficas experimentales del controlador
implementado a partir de la Red Nerviosa Bicore.
Frecuencia de oscilacin de 615, 545, 485, 400, 92 KHz y un filtro pasa-bajas con
frecuencia de de corte de 20 KHz.
Oscilacin de la neurona Bicore y Vmed << f=615 Khz C=122pF >> Diagrama de Bode del filtro pasa-bajas con fc=20 KHz
4 20
Oscilacin
3.5
a) Voltaje medio. b)
System: sysT
0
3
-20
2.5
Amplitud (volts)
Magnitude (dB)
2 -40
1.5
-60
-80
0.5
0 -100
3 4 5 6 7
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 10 10 10 10 10
Tiempo (seg) -6
Frequency (rad/sec)
x 10
Figura G.1.- a).- Oscilacin de la neurona Bicore y Vmed (fosc=615 KHz C=122 pF).
b).- Diagrama de Bode del filtro pasa-bajas con fc=20 KHz.
ngulo de la varilla con respecto a la vertical << f=615 KHz fc=20 KHz >> Posicin del pndulo invertido sobre el riel << f=615 KHz fc=20 KHz >>
20
6 a) 15
b)
4 10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-4 -10
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo (seg) Tiempo (seg)
KHz). b).- Posicin del pndulo invertido sobre el riel (fosc=615 KHz fc=20 KHz).
122
ANEXO G
Seal de control de la red Bicore << f=615 KHz fc=20 KHz >> Oscilacin de la neurona Bicore y Vmed << f=545 Khz C=150pF >>
4
Oscilacin
10 a) 3.5 b) Voltaje medio.
3
5
2.5
Amplitud (volts)
Amplitud (volts)
0 2
1.5
-5
1
0.5
-10
0
0 5 10 15 20 25 30 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo (seg) Tiempo (seg) -6
x 10
Oscilacin de la neurona Bicore y Vmed (fosc=545 KHz C=150 pF).
20
6
15
4
10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-4 -10
-6 -15
0 5 10 15 20 25 30
-20
0 5 10 15 20 25 30
123
ANEXO G
Seal de control de la red Bicore << f=545 KHz fc=20 KHz >> Oscilacin de la neurona Bicore y Vmed << f=485 Khz C=172pF >>
4
Oscilacin
10 a) 3.5
b) Voltaje medio.
3
5
2.5
Amplitud (volts)
Amplitud (volts)
0 2
1.5
-5
1
0.5
-10
0
0 5 10 15 20 25 30 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
x 10
20
6
15
4
10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-10
-4
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo (seg)
Tiempo (seg)
124
ANEXO G
4
10 a) b) Oscilacin
3.5 Voltaje medio.
5 3
Amplitud (volts)
2.5
Amplitud (volts)
0
2
1.5
-5
1
0.5
-10
0
0 5 10 15 20 25 30 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x 10
20
6
15
4
10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-4 -10
-6 -15
0 5 10 15 20 25 30 -20
0 5 10 15 20 25 30
125
ANEXO G
Oscilacin de la neurona Bicore y Vmed << f=92 Khz C=1nF >>
4
10 a) b) Oscilacin
3.5 Voltaje medio.
5 3
Amplitud (volts)
2.5
Amplitud (volts)
0 2
1.5
-5
1
0.5
-10
0
0 5 10 15 20 25 30 0 0.5 1 1.5 2 2.5
x 10
Oscilacin de la neurona Bicore y Vmed (fosc=92 KHz C=1 nF).
20
6
a) 15 b)
4 10
2 5
Longitud (cm)
ngulo ()
0 0
-5
-2
-10
-4
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo (seg)
Tiempo (seg)
126
ANEXO G
10
Amplitud (volts) 5
-5
-10
0 5 10 15 20 25 30
Tiempo (seg)
Figura G.11.- a).- Seal de control del sistema (fosc=92 KHz fc=20 KHz).
Frecuencia de oscilacin de 615, 545, 485, 400, 92 KHz y un filtro pasa-bajas con

20
0 System: sysT
-20
Magnitude (dB)
-40
-60
-80
-100
-120
3 4 5 6 7
10 10 10 10 10
Frequency (rad/sec)
Figura G.12.- Diagrama de Bode del filtro pasa-bajas con fc=10 KHz.
127
ANEXO G
20
6 a) 15 b)
4 10
2 5
Longitud (cm)
ngulo ()
0 0
-5
-2
-10
-4
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo (seg)
Tiempo (seg)
Seal de control de la red Bicore << f=615 KHz fc=10 KHz >> ngulo de la varilla con respecto a la vertical << f=545 KHz fc=10 KHz >>
10 a) 6 b)
4
5
2
Amplitud (volts)
ngulo ()
0 0
-2
-5
-4
-10 -6
0 5 10 15 20 25 30 0 5 10 15 20 25 30
128
ANEXO G
Posicin del pndulo invertido sobre el riel << f=545 KHz fc=10 KHz >> Seal de control de la red Bicore << f=545 KHz fc=10 KHz >>
20
15
a) 10 b)
10
5
Amplitud (volts)
Longitud (cm)
0 0
-5
-5
-10
-15 -10
-20 0 5 10 15 20 25 30
0 5 10 15 20 25 30
Tiempo (seg)
Tiempo (seg)
Figura G.15.- a).- Posicin del pndulo invertido sobre el riel (fosc=545 KHz fc=10.
b).- Seal de control del sistema (fosc=545 KHz fc=10 KHz).
20
6
a) 15 b)
4 10
2 5
Longitud (cm)
ngulo ()
0 0
-5
-2
-10
-4
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
129
ANEXO G
10 a) 6 b)
4
5
2
Amplitud (volts)
ngulo ()
0 0
-2
-5
-4
-10 -6
0 5 10 15 20 25 30 0 5 10 15 20 25 30
20
15 a) 10 b)
10
5
5
Amplitud (volts)
Longitud (cm)
0 0
-5
-5
-10
-15 -10
-20 0 5 10 15 20 25 30
0 5 10 15 20 25 30
KHz). b).- Seal de control del sistema (fosc=400 KHz fc=10 KHz).
130
ANEXO G
20
6 a) 15 b)
4 10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-10
-4
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
10
5
Amplitud (volts)
-5
-10
0 5 10 15 20 25 30
Tiempo (seg)
Figura G.20.- Seal de control del sistema (fosc=92 KHz fc=10 KHz).
131
ANEXO G
Frecuencia de oscilacin de 615, 545, 400, 92 KHz y un filtro pasa-bajas con

20
6 a) 15
b)
4
10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-4 -10
-6 -15
0 5 10 15 20 25 30 -20
0 5 10 15 20 25 30
10
a) 6 b)
4
5
2
Amplitud (volts)
ngulo ()
0 0
-2
-5
-4
-10 -6
0 5 10 15 20 25 30 0 5 10 15 20 25 30
132
ANEXO G
20
a) 10
b)
15
10
5
5
Amplitud (volts)
Longitud (cm)
0 0
-5
-5
-10
-15
-10
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
KHz). b).- Seal de control del sistema (fosc=545 KHz fc=2 KHz).
20
6
a) 15 b)
4
10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-4 -10
-6 -15
0 5 10 15 20 25 30 -20
0 5 10 15 20 25 30
133
ANEXO G
10 a) 6 b)
4
5
2
Amplitud (volts)
ngulo ()
0 0
-2
-5
-4
-10 -6
0 5 10 15 20 25 30 0 5 10 15 20 25 30
20
15 a) 10 b)
10
5
5
Amplitud (volts)
Longitud (cm)
0 0
-5
-5
-10
-15 -10
-20 0 5 10 15 20 25 30
0 5 10 15 20 25 30
Figura G.26.- a).- Posicin del pndulo invertido sobre el riel (fosc=92 KHz fc=2 KHz).
b).- Seal de control del sistema (fosc=92 KHz fc=2 KHz).
134
ANEXO G
Frecuencia de oscilacin de 545, 485, 400, 92 KHz y un filtro pasa-bajas con

frecuencia de de corte de 100 Hz.
ngulo de la varilla con respecto a la vertical << f=545 KHz fc=100 Hz >> Posicin del pndulo invertido sobre el riel << f=545 KHz fc=100 Hz >>
20
6
a) b)
15
4 10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-4 -10
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Hz). b).- Posicin del pndulo invertido sobre el riel (fosc=545 KHz fc=100 Hz).
Seal de control de la red Bicore << f=545 KHz fc=100 Hz >> ngulo de la varilla con respecto a la vertical << f=485 KHz fc=100 Hz >>
10 a) 6 b)
4
5
2
Amplitud (volts)
ngulo ()
0 0
-2
-5
-4
-10 -6
0 5 10 15 20 25 30 0 5 10 15 20 25 30
135
ANEXO G
Posicin del pndulo invertido sobre el riel << f=485 KHz fc=100 Hz >> Seal de control de la red Bicore << f=485 KHz fc=100 Hz >>
20
15 a) 10 b)
10
5
Amplitud (volts)
Longitud (cm)
0 0
-5
-5
-10
-15
-10
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Hz). b).- Seal de control del sistema (fosc=485 KHz fc=100 Hz).
ngulo de la varilla con respecto a la vertical << f=400 KHz fc=100 Hz >> Posicin del pndulo invertido sobre el riel << f=400 KHz fc=100 Hz >>
20
6 a) b)
15
4 10
2 5
Longitud (cm)
ngulo ()
0 0
-2 -5
-4 -10
-15
-6
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Hz). b).- Posicin del pndulo invertido sobre el riel (fosc=545 KHz fc=100 Hz).
136
ANEXO G
Seal de control de la red Bicore << f=400 KHz fc=100 Hz >> ngulo de la varilla con respecto a la vertical << f=92 KHz fc=100 Hz >>
10 a) 6
b)
4
5
2
Amplitud (volts)
ngulo ()
0 0
-2
-5
-4
-10 -6
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Posicin del pndulo invertido sobre el riel << f=92 KHz fc=100 Hz >> Seal de control de la red Bicore << f=92 KHz fc=100 Hz >>
20
15
a) 10 b)
10
5
5
Amplitud (volts)
Longitud (cm)
0 0
-5
-5
-10
-15
-10
-20
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Figura G.32.- a).- Posicin del pndulo invertido sobre el riel (fosc=92 KHz fc=100 Hz).
b).- Seal de control del sistema (fosc=92 KHz fc=100 Hz).
137
ANEXO H
Programa realizado en el editor de MatLab el cual
realiza los clculos numricos a partir de un
archivo de datos *.lvm
% yn es la referencia
% y es la seal medida
clc
close all
clear all
A=load ('prueba01.lvm');
%angulo de la varilla es la columna 6

%seal de control es la columna 5
%seal de control del controlador clsico es la columna 4
y=A(:,6);
%y=y+0.7; %seal control, controlador clsico
y=((y*72)/1.8)-1;
L=47; %length(y)
%L=47 para prueba de la #01 hasta la #15
%L=47 para la prueba del controlador clsico
%L=129 para prueba de la #16 hasta la #20
yn=0;
r=0;
%****************************************************************
i=1;
for cont=1:1:L
r=r+abs(y(i));
i=i+1;
end
emedio=r/L;
%****************************************************************
med=0;
i=1;
for cont=1:1:L
med=med+y(i);
138
ANEXO H
i=i+1;
end
med=med/L;
%****************************************************************
sum=0;
i=1;
for cont=1:1:L
sum=sum+(y(i)-med)^2;
i=i+1;
end
%****************************************************************
Se=sqrt((1/(L-1))*sum);
emax=max(abs(y));
emin=min(abs(y));
%****************************************************************
N=length(y); IAE=0;ITAE=0;ISE=0;
for m=1:1:N;
IAE=IAE+abs(y(m));
ITAE=ITAE+(m*0.2e-3*abs(y(m)));
ISE=ISE+(y(m)^2);
end
Var=[emedio Se emax emin IAE ITAE ISE];

disp(' emedio Se emax emin IAE ITAE
ISE')
disp(Var)
Var=[emax emin];
disp(' emax emin')
disp(Var)
139

Tesis Pendulo Invertido

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tesis Pendulo Invertido

Încărcat de

Drepturi de autor:

Formate disponibile

cenidet

Centro Nacional de Investigacin y Desarrollo Tecnolgico

TESIS DE MAESTRA EN CIENCIAS

CONTROL DEL PNDULO INVERTIDO USANDO

Gabriel Caldern Zavala

como requisito para la obtencin del grado de:

Cuernavaca, Morelos, Mxico Enero de 2009

TESIS DE MAESTRA EN CIENCIAS

CONTROL DEL PNDULO INVERTIDO USANDO

Gabriel Caldern Zavala

como requisito para la obtencin del grado de:

Cuernavaca, Morelos, Mxico Enero de 2009

A mis profesores: Dr. Alejandro Rodrguez Palacios, Dr. Enrique Quintero-Mrmol

Agradezco de manera profunda al Centro Nacional de Investigacin y Desarrollo

Finalmente, al Consejo Nacional de Ciencia y Tecnologa (CONACYT) y a la direccin

Gabriel Caldern Zavala

En esta tesis se presenta el estudio y el desarrollo de un controlador neuronal analgico

Se presenta el modelo del pndulo invertido, el cual es obtenido mediante dinmica

El controlador neuronal analgico es validado experimentalmente aplicndolo a la maqueta

El desempeo del controlador, en relacin a la posicin de la varilla con respecto de la

Gabriel Caldern Zavala

ndice de tablas XII

Captulo 1.- Introduccin..................................................................................................... 1

Captulo 2.- Redes neuronales ........................................................................................... 11

2.8.- Implementacin prctica de una Red Neuronal Celular...................................... 36

Captulo 3.- El pndulo invertido...................................................................................... 43

Captulo 4.- Controlador de pndulo invertido basado en RNA.................................... 59

Captulo 5.- Conclusiones y trabajos futuros................................................................... 93

ANEXO C.- Diagrama electrnico de la circuitera de la consola de control de pndulo

ANEXO D.- Especificaciones de la maqueta de pndulo invertido marca BYTRONIC. . 110

ANEXO F.- Grficas experimentales del controlador implementado a partir de la Red

Figura 1.1.- (a).- Caminar esttico (b).- Caminar dinmico. .............................................. 3

Figura 4.18.-ngulo de la varilla con respecto a la vertical (compensador en adelanto).

Tabla 1.1.- Tcnicas de control utilizadas para controlar el pndulo invertido. 8

El problema de control, as considerado, es local y su inters resida en que se trataba de

Es importante destacar que en sistemas lineales, la estabilizacin en lazo cerrado de un

Aunque la locomocin bpeda se ha estudiado durante mucho tiempo [39], ha sido en

1.1.1.- Andar dinmico

Figura 1.1.- (a).- Caminar esttico (b).- Caminar dinmico.

1.2.- Ubicacin del problema

En la Figura 1.2 podemos observar un medio ciclo en la caminata humana.

Figura 1.2.- Medio ciclo de la caminata humana.

El pndulo invertido es el sistema dinmico ms comnmente usado para representar la

Figura 1.3.- Pndulo invertido

Considerando la siguiente ecuacin dinmica linealizada del pndulo invertido

- ngulo de la barra con respecto a la lnea vertical

Tomando en cuenta que M, m, l y g siempre son cantidades positivas, se tiene que el

Es posible mejorar el desempeo del pndulo invertido mediante el diseo de un

1.4.1.- Objetivo general

El objetivo principal de este trabajo de tesis es disear un controlador para el pndulo

1.4.2.- Objetivos especficos

2.- Realizar un primer acercamiento a esta metodologa de inteligencia artificial.

1.5.- Alcances y limitaciones

En este trabajo de tesis se realiz el modelado de la dinmica del pndulo invertido; se

Se dise un controlador en base a redes neuronales analgicas el cual se encarga de

El controlador se diseo con base a la configuracin denominada Bicore inventada por

El sensor para medir el ngulo de la varilla con respecto a la vertical es un

El pndulo invertido es el sistema dinmico ms comnmente usado para representar la

El sistema de pndulo invertido, como caso de aplicacin particular, es abordado en

Otra aportacin importante es el modelado del comportamiento dinmico del pndulo

Se investigaron a detalle todos los parmetros y especificaciones relacionadas con la

planteaba la totalidad de las especificaciones y algunas de ellas eran dudosas. Habiendo

1.8.- Estado del arte