Documente Academic
Documente Profesional
Documente Cultură
net/publication/264036936
CITATION READS
1 342
2 authors:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Alejandro Fernández Villaverde on 18 July 2014.
simulación se muestran en la sección 4. Con las pueden resultar demasiado lentos, por lo que en su
conclusiones y futuros trabajos finaliza esta lugar se ha utilizado la modificación conocida como
contribución. algoritmo de Levenberg-Marquardt [1]. Su
fundamento es el siguiente: a pesar de que la función
criterio del perceptrón desciende más rápidamente a
lo largo de la dirección indicada por el gradiente, esto
no asegura que de esta manera se logre la
convergencia más rápida. Como alternativa, se puede
realizar una búsqueda a lo largo de direcciones
conjugadas. Surgen así los Algoritmos de Gradiente
Conjugado. Una variante de estos algoritmos son los
llamados Algoritmos Quasi-Newton, en los cuales se
actualizan los pesos mediante la matriz Hessiana de
la función (sus segundas derivadas), evaluada en los
valores actuales de los pesos. Como la matriz
Hessiana es costosa de calcular, una alternativa
consiste en aproximarla mediante la expresión
H = J T ⋅ J , donde J es el jacobiano (de los errores
de la red respecto a los pesos), con lo que la
Figura 2. Detalle de la grúa-pórtico actualización de los pesos se realiza de la forma
siguiente:
se puede modelar, empleando la notación usual en elevado uso de la CPU, y, en caso de ser demasiado
teoría de sistemas en tiempo discreto, como: compleja, puede llegar a ser imposible llevar a cabo
un aprendizaje adecuado. El esquema de cómo la red
y (k + d ) = f [ y (k ), y (k − 1),... y (k − n + 1), neuronal realiza la aproximación de las funciones f, g
se muestra en la figura 3, y un esquema de control en
u (k − 1),..., u (k − m + 1)]
la figura 4. Estas figuras siguen la notación adoptada
+ g[ y (k ), y (k − 1),... y (k − n + 1), (2)
por Matlab y fueron obtenidas de [5].
u (k − 1),..., u (k − m + 1)] ⋅ u ( k + 1)
donde d ≥ 2
y (k + d ) − f [...]
u (k + 1) = (3)
g[...]
4 EXPERIMENTOS
En primer lugar se simuló el comportamiento del
sistema utilizando un modelo no lineal de la planta.
De esta forma se ajustaron los controladores hasta
obtener un comportamiento satisfactorio de la planta
en lazo cerrado. Para ello, se modeló la grúa
utilizando la formulación Lagrangiana. El sistema
Figura 3. Aproximación de f, g resultante consta de 3 entradas (los 3 motores), 5
salidas, y 10 estados. Este modelo se incluyó en un
En nuestro caso se usó el bloque NARMA-L2 diagrama de Simulink, al cual se añadieron los
(Nonlinear AutoRegressive Moving Array) de la bloques de NARMA-L2 (uno por cada eje de la
Neural Network Toolbox de Matlab. Este bloque grúa).
realiza la identificación del sistema y calcula la señal
de control necesaria. Su principal ventaja es su A efectos de la identificación del sistema, la grúa
reducida carga computacional, factor importante ya presenta como entradas las fuerzas aplicadas, (tres,
que el entrenamiento de una red neuronal exige un una por cada eje), y como salidas las posiciones
respectivas. Por lo tanto, cada bloque NARMA-L2 misma red la que identifica y obtiene el control con
que implementa una red se encarga de la la estrategia indicada de linealización por
identificación y control de un eje de la grúa. Las realimentación. Esta identificación neuronal evita los
funciones f y g obtenidas de la identificación cálculos derivados de una linealización clásica del
permiten obtener la acción de control mediante (3). modelo.
La red lo que hace es aproximar de forma lineal el
sistema y a partir de esas aproximaciones se obtiene La identificación de cada eje se realizó en base a
directamente la señal de control. Además este tipo de 2000 muestras, con un periodo de muestreo de 0.05
control suele tener problemas de robustez si el segundos.
modelo no es muy exacto, lo que se evita si es la
Figura 7. Respuesta a escalón en el carro (eje Y) Figura 10. Respuesta a senoide en el carro (eje Y)
Figura 8. Respuesta a escalón en el cable (eje Z) Figura 11. Respuesta a senoide en el cable (eje Z)
Agradecimientos
Referencias