Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ma Tes PCF
Ma Tes PCF
a
l
e
s
d
e
e
n
t
r
a
d
a
Pesos
sinpticos
k
u
Umbral
Salida
Funcin de
activacin
k
u
k
b
Bias
Figura 2.1: Modelo no lineal de una neurona.
4. Un umbral externo para reducir la entrada de la funcin de activacin.
En trminos matemticos, la i-sima neurona se describe como:
n
i
=
P
j
)=1
n
i)
r
)
i
= ,(n
i
+/
i
)
(2.1)
donde:
r
j
: j-simo componente de la entrada.
n
ij
: peso de la conexin entre la j-sima componente de la entrada y la i-sima neurona.
n
i
: salida del sumador.
/
i
: umbral.
,() : funcin de activacin no lineal.
i
: salida de la i-sima neurona.
El uso del bias /
i
tiene el efecto de aplicar una transformacin afn a la salida n
i
de la
combinacin lineal del modelo de la gura (2.1), como se puede mostrar por:
10 Redes neuronales
i
= n
i
+/
i
(2.2)
Por lo tanto, combinando la ecuacin (2.1) y (2.2), se puede obtener equivalentemente:
i
=
j
X
)=0
n
i)
r
)
(2.3)
La funcin de activacin no lineal es denotado por ,() y genera el elemento de la salida
i
.por lo tanto de (2.3), se obtiene:
i
= ,(
i
) (2.4)
Una clasicacin para este tipo de funciones de activacin es la siguiente:
Diferenciable y No-diferenciable.
Tipo pulso y Tipo escaln.
Positiva y Promedio cero.
La primera clasicacin se distingue por tener funciones suaves y discontinuas. Las fun-
ciones suaves son necesarias para algunos algoritmos de adaptacin como el de propagacin
hacia atrs (backpropagation), mientras que las funciones discontinuas (por ejemplo: las fun-
ciones de umbral) son necesarias para generar una salida binaria. La segunda clasicacin
se distingue por tener funciones con un solo valor signicativo de salida cuando las entradas
estn cerca del cero, porque las funciones solo cambian signicativamente alrededor del cero.
La ltima clasicacin se reere a las funciones positivas que cambian de 0 en a 1 en
y a las funciones de promedio cero que cambian de 1 en a 1 en .
2.2. Estructuras de las redes neuronales.
La forma en que las neuronas de una red neuronal estn interconectados determina su
estructura. Para propsitos de identicacin y control, las estructuras ms usadas son:
2.2 Estructuras de las redes neuronales. 11
1. Redes de alimentacin hacia adelante de una capa.
2. Redes de alimentacin hacia adelante multicapa.
3. Redes de funciones radiales bsicas.
4. Redes neuronales dinmicas.
2.2.1. Redes de alimentacin hacia adelante de una capa.
Esta es la forma ms simple de una red neuronal. Tiene slo una capa de neuronas. La ms
conocida es llamada Perceptrn. Bsicamente consta de una neurona con pesos sinpticos
ajustables y de una funcin de activacin.
El algoritmo de aprendizaje que ajusta los pesos de estas redes neuronales apareci por
primera vez en [48], [14]. Ah es probado que los vectores de informacin, usados para en-
trenar el perceptrn, son tomados de dos clases lineales separables, entonces el algoritmo de
aprendizaje del perceptrn converge y dene una supercie de decisin : un hiperplano que
separa las dos clases. La prueba de convergencia, respectiva, es conocida como el teorema de
convergencia del perceptrn.
El perceptrn bsico es el llamado modelo de McCulloch-Pitts [37], en el cual la funcin
de activacin ,() es de lmites extremos.
El propsito del perceptrn es el de clasicar la seal de entrada, con componentes n
1
,
n
2
, . . . , n
a
, en una o dos clases: C
1
o C
2
. La regla de decisin para la clasicacin consiste
en asignar a cada punto que corresponde a una entrada n
1
, n
2
, . . . , n
a
, la clase C
1
si la
salida del perceptrn es igual a +1 y la clase C
2
si es 1.
Usualmente el umbral j es tratado como un peso sinptico conectado a una entrada jada
en 1, as el vector de entrada queda denido por:
(n(/))
T
= (1. n
1
(/) . n
2
(/) . .... n
a
(/)) (2.5)
donde / es la k-sima entrada.
El sumador que produce la salida es calculado por:
12 Redes neuronales
(/) = .
T
(/) n(/) = n
T
(/) . (/) (2.6)
donde . es el vector de los pesos sinpticos.
Para cualquier /, en el espacio :-dimensional, la ecuacin .
T
n, con coordenadas n
1
, n
2
,
. . . , n
a
, dene un hiperplano que separa las entradas en dos clases: C
1
y C
2
. Si estas clases
son linealmente separables existe un vector . tal que:
.
T
n 0. n C
1
y
.
T
n < 0. n C
2
(2.7)
El algoritmo de aprendizaje adapta el vector de los pesos como sigue:
1. . (/ + 1) = . (/) si .
T
n 0. n C
1
o .
T
n < 0. n C
2
2. . (/ + 1) = . (/) j (/) n(/) si .
T
n 0. n C
2
o
. (/ + 1) = . (/) +j (/) n(/) si .
T
n < 0. n C
1
(2.8)
donde j (/) es la constante de aprendizaje.
La convergencia de este algoritmo puede ser demostrada utilizando un argumento por
contradiccin.
Si se observa nicamente la salida (/) , se dene el error como:
c (/) = d (/) (/) (2.9)
donde d (/) es una referencia deseada.
El algoritmo de mnimos cuadrados puede ser aplicado para minimizar el error. La ob-
tencin de este algoritmo esta basado en el mtodo del gradiente descendente. El cual da
por resultado la siguiente ley de aprendizaje:
. (/ + 1) = . (/) +jc (/) n(/) (2.10)
donde j es la tasa de aprendizaje, n(/) es el vector de seal de entrada, . (/) es el vector
de pesos y c (/) es el vector de error el cual esta dado por:
2.2 Estructuras de las redes neuronales. 13
Primer
capa
oculta
Segunda
capa
oculta
Capa de
salida
Figura 2.2: Perceptrn multicapa.
c (/) = d (/) . (/)
T
r(/) (2.11)
Puesto que el error depende linealmente de los pesos, este algoritmo asegura la obtencin
de un mnimo global.
2.2.2. Redes de alimentacin hacia delante multicapa.
Estas redes se distinguen por la presencia de una o mas capas ocultas, (ver gura 2.2),
cuyos nodos computacionales se llaman neuronas ocultas. Tpicamente, las neuronas en cada
capa tiene como seal de entrada las seales de salida de la capa precedente. Si cada neurona,
en cada capa, es conectada con todas las neuronas de las capas adyacentes la red neuronal se
dice que est totalmente conectada, en el caso opuesto , es llamada parcialmente conectada.
El perceptrn multicapa tiene las siguientes tres caractersticas:
1. La funcin de activacin para cada neurona es suave, en oposicin a la de lmites
extremos usada en el perceptrn de una sola capa. Usualmente, esta funcin no lineal
es una sigmoide denida por:
14 Redes neuronales
,
i
(
i
) =
1
1 +c
u
.
(2.12)
2. La red esta compuesta por una o mas capas ocultas de neuronas.
3. La red presenta un alto grado de conectividad.
El perceptrn multicapa obtiene su poder computacional a travs de la combinacin de
esta caractersticas y su habilidad de aprender de la experiencia. Sin embargo, la presencia
de no linealidades distribuidas y la alta conectividad de la red hacen el anlisis terico difcil
de realizar.
2.2.3. Redes de funciones radiales bsicas.
En el contexto de una red neuronal , los nodos de la capa escondida proveen una serie
de "funciones"que constituyen una "base arbitraria"para los patrones de entrada (vectores)
cuando estos se expanden a los espacios de los nodos de la capa escondida; esas funciones se
les denomina "funciones radiales bsicas". Las funciones radiales bsicas fueron introducidas
por primera vez para la solucin de problemas de interpolacin multivariable reales.
Cuando una red estndar de funciones radiales bsicas se usa para desarrollar una tarea
de clasicacin de patrones complejos, el problema se soluciona bsicamente al transformalo
a un espacio de muchas dimensiones de una manera no lineal. La justicacin para hacer
esto, esta provista por el teorema de Cover (1965) sobre los patrones de separabilidad, en
donde se establece que un problema de clasicacin de patrones complejos, enmarcada en
un espacio no lineal multidimensional, es ms fcil de separar de manera lineal, que si se
enmarca en un espacio de baja dimensin lineal.
Bsicamente el mapeo no lineal se usa para transformar un problema de clasicacin
separable no linealmente en uno separable linealmente.
De forma similar, se puede utilizar un mapeo no lineal para aproximar una funcin no
lineal en un contexto mas sencillo.
ste tipo de red neuronal tiene tres capas totalmente diferentes:
2.2 Estructuras de las redes neuronales. 15
1. La capa de nodos de entrada.
2. La capa oculta, en donde cada nodo ejecuta una transformacin no lineal de la entrada
denotada como funcin radial bsica.
3. La capa de salida, formada por una combinacin lineal de las salidas de las neuronas
de la capa oculta.
Los primeros trabajos en este tema se llevaron a cabo por Powell [44]. La primera apli-
cacin de las funciones radiales bsicas en el diseo de redes neuronales fue reportado en
[5]. Contribuciones especcas a la teora, diseo y aplicacin de estas funciones a las redes
neuronales, se encuentran en [39], [46] y [43].
2.2.4. Redes neuronales dinmicas.
ste tipo de redes se distinguen de las redes neuronales estticas porque tienen al menos
un ciclo de retroalimentacin. stos ciclos involucran el uso del tiempo discreto y de bifurca-
ciones compuestas por elementos de una unidad de retraso. sta unidad se denota por .
1
,
tal que n (/ 1) = .
1
n(/), con / indicando el /-simo muestreo en el tiempo. La ecuacin
de las redes neuronales dinmicas es:
1ic:jo di:c:cto :
(/ + 1) = q ( (/) . (/ + 1) . . . . . (/ :) ; n(/) . n(/ + 1) . .... n(/ :))
1ic:jo co:ti:no :
b r = b r +.
1
o (
1
r) +.
2
c(
2
r) n
(2.13)
donde o () y c() son funciones sigmoidales que dependen de los pesos
1
y
2
y de los
estados r de la planta, .
1
y .
2
son los pesos de la red neuronal, es la matriz Hurwirtz,
n es la entrada de control y
b r es la derivada de los estados de la red neuronal y r son los
estados de entrada a la red neuronal.
16 Redes neuronales
A
s
1
E
1
v
2
v
1
w
2
w
MLP
Figura 2.3: Esquema de una red neuronal dinmica
Los ciclos de retroalimentacin traen como resultado un comportamiento dinmico no
lineal debido a la funcin de activacin no lineal de las neuronas. Como consecuencia, se les
llama redes neuronales dinmicas.
Estas redes neuronales ofrecen grandes ventajas computacionales. De hecho es bien sabido
que un sumador lineal esttico nito es equivalente a un sistema lineal retroalimentado de
un solo polo, como se ve en la gura 2.4.
De la gura 2.4, el sumador de salida para la red esttica es:
(/) = n(/) +n(/ 1) +.. +n(/ :) =
a
X
i=0
n(/ i) (2.14)
El sistema lineal est descrito por:
(/) = (/ 1) +n(/) (2.15)
(/)
n(/)
=
1
1 .
1
= 1 +.
1
+... +.
a
(2.16)
2.2 Estructuras de las redes neuronales. 17
( ) k x
( ) k x
( ) 1 k x
( ) 2 k x
( ) n k x
( ) k v
1
z
1
z
1
z
1
z
( ) k v ( ) 1 k v
Figura 2.4: Sistemas dinmicos y estticos equivalentes.
donde
1
1:
1
es una forma cerrada de un serie de tiempo y 1+.
1
+... +.
a
es una forma
abierta de una serie de tiempo, por lo tanto para la red dinmica:
(/) = n(/)
1 +.
1
+... +.
a
i
a
(3.1)
El trmino 1
0
es la inductancia terminal de la bobina cuando est lejos de la esfera
(r = ), el trmino 1
v
es la inductancia terminal que decrece cuando la bobina esta cerca
de la esfera (r = 0), debido a las corrientes de remolino inducidas. La inductancia es una
funcin de la posicin r de la bobina por encima de la esfera , y decae con caractersticas de
escala de longitud c. La escala de longitud depende del tamao de la esfera y las dimensiones
de la bobina.
La co-energa magntica del sistema es una funcin de la corriente de la bobina i y la
separacin r :
3.1 La fuerza electromagntica 23
\(i. r) =
1
2
1(r)i
2
(3.2)
La fuerza de origen magntico que acta sobre la esfera es dada por:
1
cn
=
J\
Jr
=
1
v
2c
i
2
c
i
a
(3.3)
3.1.1. Diferentes modelos matemticos de la fuerza electromag-
ntica
Primero analizamos varios modelos matemticos para la fuerza electromagntica y su
comportamiento
Para darle un mejor sentido al modelo matemtico total del sistema y para su simulacin,
se realiza la transformacin a ecuaciones en espacio de estados, deniendo la siguientes
equivalencias:
r
1
= r
r
2
=
r
r
3
= i
n = (t)
(3.4)
donde (r
1
. r
2
. r
3
. n) son la posicin, velocidad, corriente y el control ,respectivamente.
1) La fuerza electromagntica que aqu se analiza es del levitador del laboratorio (gura
3.4) y es una funcin exponencial debido a las propiedades de inductancia anteriormente
descritas y a la posicin de la esfera levitada con la bobina [21].
1
cn
=
1
v
2c
i
2
c
i
a
(3.5)
2) En esta ecuacin de la fuerza electromagntica es una funcin lineal decreciente con
valores negativos de la ganancia 1
1
, y es para aproximar el comportamiento del levitador
debido al movimiento de la esfera (gura 3.5), aunque la posicin real no puede ser cero
porque la esfera siempre va estar en una posicin deseada diferente de cero; matemticamente
24 Modelado y anlisis matemtico de levitacin magntica
0
0.005
0.01
0.015
0.02
0
1
2
3
0
5
10
15
20
Posicion x1
Corriente x3
F
u
e
r
z
a
e
l
e
c
t
r
o
m
a
g
n
e
t
i
c
a
Figura 3.4: El comportamiento de la fuerza electromagntica como funcin de la posicin y
la corriente.
3.1 La fuerza electromagntica 25
0
0.005
0.01
0.015
0.02
0
1
2
3
0
2000
4000
6000
Posicin
Corriente
F
u
e
r
z
a
e
l
e
c
t
r
o
m
a
g
n
t
i
c
a
Figura 3.5: Grca de la fuerza electromagntica
la fuerza electromagntica puede ser innito y eso particularmente presentara un problema
de simulacin numrica [10].
1
cn
= 1
1
r
3
r
1
2
(3.6)
3) La expresin de esta fem (gura 3.6), muestra una aproximacin del modelo matemti-
co dinmico el cual c, / y ` son constantes determinadas por modelos numricos o por
mtodos empricos. La ecuacin (3.7) tiene que ser aproximado por parmetros constantes
en la regin de inters. Sin embargo, debido a la nolinealidad del campo magntico, esas
constantes pueden variar cuando esta fuerza que pasa por el sistema es grande [40]-[45].
1
cnu
=
n
c (r
1
+/)
.
(3.7)
4) ste modelo est aproximada mediante un polinomio de cuarto orden de acuerdo al
26 Modelado y anlisis matemtico de levitacin magntica
-20
0
20
40
60
-5
0
5
0
0.5
1
1.5
2
2.5
x 10
7
Posicin
Corriente
F
u
e
r
z
a
e
l
e
c
t
r
o
m
a
g
n
t
i
c
a
Figura 3.6: La fem como funcin decreciente que depende de la corriente y la posicin.
3.2 Modelo mecnico 27
0
0.005
0.01
0.015
0.02
0
1
2
3
0
50
100
150
200
Posicin
Corriente
F
u
e
r
z
a
e
l
e
c
t
r
o
m
a
g
n
t
i
c
a
Figura 3.7: Grca de la fem
comportamiento real del levitador al que se este analizando o implementado [16], as la fem
depende de la corriente y de la posicin de la esfera (ver gura 3.7).
1
cn
=
r
2
3
1.1994r
4
0.9165r
3
+ 0.7159r + 0.0304
(3.8)
3.2. Modelo mecnico
Usando el principio fundamental de la dinmica(segunda ley de Newton), la dinmica de
la esfera ferromagntica es dada por:
: r = :q 1
cn
(3.9)
28 Modelado y anlisis matemtico de levitacin magntica
Donde la 1
cn
es la fuerza electromagntica que se genera en el efecto electromagnti-
co del sistema, : es la masa y q es la fuerza de gravedad que contrarrestra a la fuerza
electromagntica basndonos en la denicin de la segunda ley de Newton.
Por consiguiente, sustituyendo el valor de la fuerza electromagntica calculada (3.3),
sustituimos ese valor en (3.9) y obtenemos:
:q +: r =
1
v
2c
i
2
c
i
a
(3.10)
Finalmente el modelo mecnico del sistema queda como:
r =
1
v
2c:
i
2
c
i
a
+q (3.11)
3.2.1. Descripcin de modelos mecnicos para diferentes levita-
dores
Se muestran las partes mecnicas de diferentes modelos matemticos de levitadores mag-
nticos. stas ecuaciones estn gobernadas por la segunda ley de Newton donde la fuerza
electromagntica compensa a la fuerza de gravedad en el objeto levitado. y (r
1
. r
2
. r
3
) de-
scriben como variables de estado a la posicin, velocidad y corriente, respectivamente.
1) Modelo mecnico del levitador de la tesis, aproximada al de laboratorio (ver gura
3.8):
r
1
= r
2
r
2
=
1
r
2on
r
2
3
c
i
a
+q
(3.12)
2) Modelo mecnico del levitador del laboratorio ms un trmino de perturbacin o
(gura 3.8).
r
1
= r
2
r
2
=
1r
on
r
2
3
c
i
a
+q +o
(3.13)
3.2 Modelo mecnico 29
Figura 3.8: Levitador de laboratorio.
30 Modelado y anlisis matemtico de levitacin magntica
Tabla ptica
Electroimn movible
de tierras raras
Sensor de laser
retroalimentado
Condicionamiento
electrnico del
laser
Amplificador
de alto flujo
de corriente
Figura 3.9: Levitador de repulsin.
3) Modelo mecnico de un levitador de repulsin con un trmino de friccin (gura 3.9),
esta caracterstica es debida al roce del anillo con el ncleo, donde 1
v
= cr
2
es el trmino de
friccin [33].
1
v
= cr
2
(3.14)
r
1
= r
2
r
2
=
1
r
2on
r
2
3
c
i
a
ca
2
n
q
(3.15)
4) Modelo mecnico con friccin mas una perturbacin o que afecta al sistema (ver gura
3.9).
r
1
= r
2
r
2
=
1
r
2on
r
2
3
c
i
a
ca
2
n
q +o
(3.16)
3.3 Modelo elctrico 31
3.3. Modelo elctrico
Para la modelizacin de la parte elctrica del levitador (actuador dinmico) se utiliza la
ley de voltajes de kirchho y se aplica al diagrama elctrico del sistema, se sigue que:
(t) = 1i(t) +1(r)
di(t)
dt
(3.17)
Donde 1 es la resistencia total del circuito, 1(r) es el trmino de inductancia el cual se
puede expresar como en la ecuacin (3.1) (ms adelante se sustituye su valor correspondiente)
y (t) es el voltaje instantneo que cruza a la bobina del imn y es la que controla la corriente
de excitacin i(t).
Finalmente realizando las equivalencias de las variables de inters (r
1
. r
2
. r
3
) como
la posicin, velocidad y corriente , respectivamente, se obtiene el modelo matemtico del
sistema de levitacin magntica del laboratorio en un sistema de ecuaciones en espacio de
estados. Aunque por cuestiones de diseo y construccin del levitador, la ecuacin (3.17) se
puede expresar como
r
3
=
/
i
n
1
0
+1
v
c
i
1
a
1r
3
1
0
+1
v
c
i
1
a
+
c
1
0
+1
v
c
i
1
a
(3.18)
El trmino c y /
i
se tomarn como constantes de corriente remanentes debido a la histre-
sis que se genera por el calentamiento en la bobina con el voltaje de dc con la que trabaja
el sistema, aunque tambin pueden ser consideradas como trminos de compensacin de
corriente.
r
1
= r
2
r
2
=
1r
2on
r
2
3
c
i
1
a
+q
r
3
=
I
.
&
1
0
+1
r
c
i
1
a
1a
3
1
0
+1
r
c
i
1
a
+
c
1
0
+1
r
c
i
1
a
(3.19)
3.3.1. Varios modelos elctricos de diferentes levitadores
La parte elctrica de algunos modelos de levitadores son las siguientes:
32 Modelado y anlisis matemtico de levitacin magntica
Tarjeta
I/O
C
a
l
c
u
l
a
d
o
r
a
Circuito
amplificador
Sensor
de corriente
E
l
e
c
t
r
o
i
m
n
Foto emisor
Foto detectores
Figura 3.10: Diagrama esquemtico del levitador de atraccin.
1) Modelo elctrico del levitador aproximado al de laboratorio (gura 3.8), donde n es el
control el cual esta controlado por voltaje, 1 = 1 es la resistencia total del circuito. c
i
y
/
i
son constantes de remanencia en la bobina.
r
3
=
/
i
n
1
0
+1
v
c
i
1
a
+
c
i
1
0
+1
v
c
i
1
a
r
3
1
0
+1
v
c
i
1
a
(3.20)
2) Modelo elctrico sin trminos remanentes de la bobina debido al calentamiento a la
excitacin con corriente directa.(ver gura 3.10),donde n es el voltaje aplicado (control), 1
es la induccin de la bobina,y 1 es la resistencia de la bobina.[16].
r
3
=
n
1
1
1
r
3
(3.21)
3) Modelo elctrico [51], el cual en particular el tercer trmino denota un voltaje el cual
vara con los cambios de la posicin de la esfera y su tasa de cambio es similar a un fuerza
3.3 Modelo elctrico 33
m
|
flujo magntico
( ) t x
posicin de
la esfera
abertura de aire
numero de vueltas
( ) t i corriente
( ) t v
voltaje
instantneo
imn
( ) i x F ,
fuerza
electromagntica
Figura 3.11: Diagrama esquemtico del sistema de suspensin electromagntica.
contraelectromotriz introducida en un motor de corriente directa.,adems / =
j
0
.
2
2
es un
factor de fuerza y 1 es la resistencia total de circuito (ver gura 3.11)
r
3
=
1
/
r
1
n
1
/
r
1
r
3
+
r
2
r
3
r
1
(3.22)
4) Modelo elctrico[3], que consta de una expresin de inductancia mutua `
:
(ver gura
3.12). Con frecuencia el ujo magntico a travs de un circuito vara con el tiempo como
consecuencia de las corrientes variables que existen en circuitos cercanos. sto da origen a
una fem inducida mediante un proceso conocido como induccin mutua, llamada as porque
depende de la interaccin de dos circuitos (dos actuadores), esta depende de la geometra
de los dos circuitos y de sus orientaciones relativas entre s. Es claro que al incrementarse la
separacin entre los circuitos, la inductancia mutua decrece ya que el ujo que une a los dos
circuitos decrece.
r
3
=
n
1
1
1
r
3
`
:
di
v
dt
(3.23)
34 Modelado y anlisis matemtico de levitacin magntica
Figura 3.12: Levitador de repulsion de anillo de Thomsons.
3.4. Modelo completo
El siguiente diagrama muestra el modelo completo el cual esta sometido el sistema de
levitacin magntica del laboratorio.
3.4.1. Actuador
Modulacin de ancho de pulso
La modulacin por ancho de pulsos ( PWM) de una seal o fuente de energa es una
tcnica en la que se modica el ciclo de trabajo de una seal peridica (una sinusoidal o
una cuadrada, por ejemplo), ya sea para transmitir informacin a travs de un canal de
3.4 Modelo completo 35
Circuito
PWM
Circuito de
potencia
Tarjeta de
adquisicin
de datos
Expansor de
salidas
analgicas
PC
Sensores
pticos
U1=V cd
Planta
i
U2=i Posicin (x)
V=f(x)
V
U2
t
Figura 3.13: Diagrama a bloques del sistema de levitacin magntica.
36 Modelado y anlisis matemtico de levitacin magntica
C
o
n
t
r
o
l
C
i
c
l
o
P
W
M
t
Figura 3.14: Familia de entradas caracteristicas PWM.
comunicaciones o para controlar la cantidad de energa que se enva a una carga. La modu-
lacin de ancho de pulso es una tcnica utilizada para controlar dispositivos, proporcionando
un voltaje de corriente continua. Se puedan controlar fuentes conmutadas, controles de mo-
tores, controles de elementos termoelctricos, choppers para sensores en ambientes ruidosos
y algunas otras aplicaciones .
Puesto que la respuesta del PWM es no lineal en relacin al voltaje de control y la
corriente que consume la bobina. El algoritmo en la computadora es la fuente del valor
deseado del control en la forma de seal de voltaje PWM. Debido a la alta frecuencia de la
seal PWM los valores de corriente medidos corresponden al valor de la corriente promedio
en la bobina. sta caracterstica ha sido construida por el fabricante. Para una frecuencia ja
y un ciclo de trabajo variable PWM, se mide el amperaje en la bobina. Los datos medidos
son dados en la siguiente tabla.
3.4 Modelo completo 37
Ciclo de trabajo PWM Amperaje [] Voltaje [\ ]
0 0 0.374811
0.1 0.25 0.262899
0.2 0.51 0.510896
0.3 0.77 0.752465
0.4 1.02 0.993620
0.5 1.28 1.229133
0.6 1.52 1.459294
0.7 1.74 1.651424
0.8 1.99 1.875539
0.9 2.21 2.076814
1 2.43 2.269865
Adems, se grac el control de voltaje PWM contra la corriente que consume la bobina,
ver gura (3.15) y su comportamiento se aproxim mediante el siguiente polinomio, el cual
es de tendencia lineal.
1(\ ) = 0.0168\
2
+ 1.0451\ 0.0317 (3.24)
Circuito de potencia
El circuito de potencia o driver es el encargado de elevar el nivel de corriente con la que
trabajara la bobina, como se ha visto en los datos anteriores se ve que para que se origine
el efecto electromagntico la bobina consume hasta 2.43 A como mximo . La etapa de
potencia es controlada por el LMD18200 que es un Puente-H3Adiseado para aplicaciones de
control de movimiento . El dispositivo est construido utilizando una tecnologa multiproceso
que combina circuitera bipolar y control CMOS con dispositivos de potencia DMOS en la
misma estructura monoltica. Ideal para la conduccin de los motores DC y paso a paso,
el LMD18200 acomoda a las corrientes de pico de salida de hasta 6A. Es un dispositivo
innovador que facilita el circuito de baja prdida de deteccin de la corriente de salida.
38 Modelado y anlisis matemtico de levitacin magntica
0 0.5 1 1.5 2 2.5
-0.5
0
0.5
1
1.5
2
2.5
3
Seal de voltaje medido [V]
C
o
r
r
i
e
n
t
e
[
A
]
Figura 3.15: Caractersticas aproximadas de Corriente vs Voltaje consumidas por la bobina
del electroimn.
3.4 Modelo completo 39
Figura 3.16: Diagrama de bloques funcional del LMD18200
Circuito de potencia MagLev Seal PWM
Etapa de potencia
Figura 3.17: Diagrama a bloques de la etapa de potencia.
40 Modelado y anlisis matemtico de levitacin magntica
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
Distancia (m)
S
e
a
l
d
e
l
s
e
n
s
o
r
(
v
)
Figura 3.18: Calibracin del sensor respecto al desplazamiento de la esfera
3.4.2. Sensor
La referencia de la gura (6.2) sirve para que, a travs de la calibracin del sensor, muestre
una relacin no lineal entre la salida del sensor (voltaje) y la posicin del objeto a levitar.
El experimento para esta identicacin se realiz en el laboratorio colocando la esfera a una
determinada posicin ja y mediante un tornillo ir ajustando los valores para que despus se
obtenga una curva y despus de tantas pruebas se encuentra en particular una que describe
mejor el desempeo del sistema.
Esta grca puede ser aproximada mediante un polinomio de un orden dado. Para este
caso usamos un polinomio de quinto orden. El cual es lo que obtenemos a la salida del sistema
total.
3.4 Modelo completo 41
\ = ,(jo:icio:) = 1 (r) (3.25)
\ = 25697073504.59r
5
+1245050011.25r
4
18773635.92r
3
+79330.24r
2
150.21r+5.015
(3.26)
Realmente nuestra regin de trabajo consistir en tomar una pequea regin de inters
el cual consideraremos como una funcin lineal ya que la esfera se mover en espacios de
milmetros, con el n de lograr un objetivo ms preciso sin implicarnos en la funcin no
lineal del sensor contra la posicin de la esfera. Una descripcin muy importante es que la
medicin se realiza del actuador hacia la esfera y no del tornillo de ajuste hacia la esfera.
3.4.3. Modelo del levitador de laboratorio
Primero introducimos las siguientes suposiciones para derivar un modelo nominal del
sistema mediante leyes fsicas.
La densidad de ujo magntico y el campo magntico no tienen ningn histresis.
No hay ujo de fuga en el circuito magntico
La permeabilidad magntica del electroimn es innito
Las corrientes de remolino en el polo magntico pueden ser despreciados.
La inductancia en la bobina es constante alrededor del punto de operacin , y toda la
fuerza electromotriz debido al movimiento de la esfera de hierro puede ser despreciada.
Estas suposiciones no son muy fuertes y adecuadas alrededor del estado de equilibrio.
Bajo esas suposiciones, derivamos las siguientes tres ecuaciones, el cual muestra una
ecuacin del movimiento de la esfera, la fuerza electromagntica y la ecuacin del circuito
electromagntico, respectivamente, asi, obtenemos el modelo completo que es similar a del
42 Modelado y anlisis matemtico de levitacin magntica
levitador del laboratorio, que nos servir para la aplicacin de la ley de control as como su
estabilizacin.
r
1
= r
2
r
2
=
1
r
2on
r
2
3
c
i
1
a
+q
r
3
=
I
.
&
1
0
+1rc
i
1
a
+
c
.
1
0
+1rc
i
1
a
a
3
1
0
+1rc
i
1
a
= r
1
(3.27)
3.5. Aproximacin de un modelo lineal continuo
El modelo del levitador magntico es altamente no lineal. Puede ser aproximado en
algn punto de operacin por un modelo lineal. El modelo lineal puede ser descrito por tres
ecuaciones diferenciales por el mtodo de aproximacin lineal por series de Taylor de primer
orden, en la forma:
o
r = , (or) +q (or) n
o = /(or)
(3.28)
El cual, es aproximado a:
o
r or +1on
o = Cor
(3.29)
donde =
0)
0ca
ca=0
, 1 =
0j
0ca
ca=0
y C = [1 0 0], ya que solo se esta tomando a la
posicin como salida.
Y sean las variables de desviacin lineal
or
1
= r
1
r
1
or
2
= r
2
r
2
or
3
= r
3
r
3
on = n n
(3.30)
3.5 Aproximacin de un modelo lineal continuo 43
donde (r
1
. r
2
. r
3
. n
1
= 0.004 :
r
2
= 0 :,:
r
3
= 0.8456
n
= 0.3264
(3.31)
Captulo 4
Control de levitacin magntica
Muchas tcnicas lineales y no lineales se han propuesto para el control de estos sistemas, y
es bien conocido que para un rango de movimiento pequeo, el sistema no lineal se comporta
similarmente a su aproximacin lineal. Sin embargo, el desempeo de un control lineal se
deteriora rpidamente cuando el sistema se desva de su punto de operacin original. Es por
ello que en este capitulo se considera el diseo de un controlador no lineal mediante la tcnica
de linealizacin exacta por retroalimentacin. Tambin se disea un controlador PID , donde
este control es aproximado a un modelo lineal continuo (descrito en el capitulo anterior) para
controlar la posicin de la esfera en algunos de tantos puntos de equilibrio que se tiene en el
rango de operacin.
Finalmente se presentan los resultados de simulacin para el control no lineal y el con-
trolador PID. En ellas es posible observar el desempeo del control no lineal mas eciente
que el controlador PID debido a la cancelacin de no linealidades, aun as, el controlador
PID tambin tiene un funcionamiento bastante aceptable.
46 Control de levitacin magntica
4.1. Linealizacin exacta
4.1.1. Teora elemental de retroalimentacin para sistemas no lin-
eales SISO
El punto de partida del anlisis completo es la nocin del grado relativo del sistema, el
cual es formalmente descrito en la siguiente direccin. El sistema no lineal de nica entrada-
nica salida [23] :
r = ,(r) +q(r)n
= /(r)
(4.1)
se dice que tiene grado relativo : en un punto r
c
si
(i) 1
j
1
I
)
/(r) = 0 para toda r en una vecindad de r
c
y para todo / < : 1
(ii) 1
j
1
v1
)
/(r) 6= 0
Se debe de tomar en cuenta que puede haber puntos donde un grado relativo no puede
ser denido. Esto ocurre , de hecho, cuando la primera funcin de la secuencia
1
j
/(r) . 1
j
1
)
/(r) . .... 1
j
1
I
)
/(r) . ....que no es idnticamente cero (en una vecindad de
r
c
) tiene un cero exactamente en el punto r = r
c
. Sin embargo el conjunto de puntos donde
un grado relativo puede denirse, es claramente un subconjunto denso y abierto del conjunto
l donde el sistema (4.1) puede estar denido.
En un sistema de nica entrada-nica salida, la estructura mas conveniente para un
Control en Retroalimentacin en Estado Esttico es aquel en que la variable de entrada n es
igual a la
n = c(r) +, (r) (4.2)
donde es la entrada de referencia externa . De hecho, la composicin de este control con
un sistema de la forma
r = ,(r) +q(r)n
= /(r)
(4.3)
4.1 Linealizacin exacta 47
( ) ( )v x x | o +
) (
) ( ) (
x h y
u x g x f x
=
+ =
-
v
u
y
x
Figura 4.1: Diagrama a bloques de un sistema por linealizacin retroalimentado.
produce un lazo cerrado caracterizado por la estructura similar
c
1
(r)
c
2
(r)
...
c
a
(r)
/(r)
1
)
/(r)
...
1
a1
)
/(r)
(4.5)
es decir, por medio de la funcin /(r) y su primera derivada :1 segn ,(r). En las nuevas
coordenadas
.
i
= c
i
(r) = 1
i1
)
/(r) 1 i : (4.6)
El sistema puede ser descrito por ecuaciones de la forma
48 Control de levitacin magntica
.
1
= .
2
.
2
= .
3
...
.
a1
= .
a
.
a
= c (.) +/ (.) n
(4.7)
donde . = (.
1
. .... .
a
). Recordar tambin que en el punto .
c
= c(r
c
), y asi para todo . en
una vecindad de .
c
, la funcin c(.) es diferente de cero.
Suponemos ahora la siguiente ley de control por retroalimentacin del estado
n =
1
/ (.)
(c (.) +) (4.8)
que de hecho existe y esta bien denida en una vecindad de .
c
. El sistema resultante en lazo
cerrado es gobernado por las siguientes ecuaciones
.
1
= .
2
.
2
= .
3
...
.
a1
= .
a
.
a
=
(4.9)
es decir, es lineal y controlable. As podemos concluir que para algn sistema no lineal con
grado relativo : en algn punto r
c
puede ser transformado en un sistema, el cual en una
vecindad del punto .
c
= c(r
c
), es lineal y controlable. Esto es importante para poner en
nfasis que la transformacin en cuestin consiste en dos ingredientes bsicos:
(i) un cambio de coordenadas, denida localmente alrededor del punto r
c
(ii) una retro de estado, tambin denida localmente alrededor del punto r
c
4.1 Linealizacin exacta 49
4.1.2. Linealizacin exacta va retroalimentacin del modelo matemti-
co del levitador de laboratorio
Sea el modelo equivalente como (4.1 )el cual lo podemos escribir de la siguiente manera
con variables de desviacin lineal
o
r
1
= or
2
+r
2
= r
2
= ,
1
(or)
o
r
2
=
1r
2on
(or
3
+r
3
)
2
c
(i
1
+i
1
)
a
+q = ,
2
(or)
o
r
3
=
I
.
&
1
0
+1rc
(
i
1
+i
1
)
a
+
c
.
1
0
+1rc
(
i
1
+i
1
)
a
a
3
1
0
+1rc
(
i
1
+i
1
)
a
+
I
.
c&
1
0
+1rc
(
i
1
+i
1
)
a
= ,
3
(or) +q
3
(or) on. q
3
(or) 6= 0
o = or
1
+r
1
= /(or)
(4.10)
De acuerdo a las deniciones y la teora anteriormente descrita, tomamos la salida de nue-
stro sistema y derivamos sucesivamente con las variables de desviacin lineal hasta encontrar
la ecuacin que relaciona la entrada del modelo matemtico.
Derivando tenemos que:
o = or
1
+r
1
o
= o
r
1
= or
2
+r
2
o
= o
r
2
= ,
2
(or) =
1
r
2on
(or
3
+r
3
)
2
c
(i
1
+i
1
)
a
+q
o
=
1r
2on
h
(or
3
+r
3
)
2
1
o
c
(i
1
+i
1
)
a
o
r
1
2(or
3
+r
3
)o
r
3
c
(i
1
+i
1
)
a
i
=
1r
2o
2
n
(or
2
+r
2
) (or
3
+r
3
)
2
c
(i
1
+i
1
)
a
+
1
r
on
1
0
+1
r
c
(i
1
+i
1
)
a
(or
3
+r
3
)
2
c
(i
1
+i
1
)
a
1
r
c
.
on
1
0
+1rc
(i
1
+i
1
)
a
(or
3
+r
3
)c
(i
1
+i
1
)
a
1
r
I
.
on
1
0
+1rc
(i
1
+i
1
)
a
(or
3
+r
3
)c
(i
1
+i
1
)
a
n
1rI
.
on
1
0
+1
r
c
(i
1
+i
1
)
a
(or
3
+r
3
)c
(i
1
+i
1
)
a
on
(4.11)
50 Control de levitacin magntica
Para llegar a la entrada se deriv tres veces la salida, eso signica que el grado relativo del
sistema : = 3 y es una condicin suciente para garantizar la linealizacin entrada estado y
el sistema es completamente linealizable por la condicin de la salida., tambin la dinmica
del sistema esta completa ya que es del rango pleno. Basndonos en las deniciones de las
condiciones de linealizacin, podemos seguir con el siguiente anlisis, haciendo el cambio de
coordenadas tenemos:
.
1
= /(or) =
0I
0ca
=
h
1 0 0
i
= or
1
.
2
= 1
)
/(or) =
0I
0ca
,(or) =
h
1 0 0
i
or
2
,
2
(r)
,
3
(r)
= or
2
.
3
= 1
2
)
/(or) =
0(1
]
I)
0ca
,(or) =
h
0 1 0
i
r
2
,
2
(r)
,
3
(r)
= ,
2
(or)
(4.12)
Derivando las nuevas coordenadas en funcin de .
.
1
= .
2
.
2
= .
3
.
3
=
o)
2
(ca)
ot
=
= c(.. r
1
. r
2
. r
3
) +/(.. r
1
. r
2
. r
3
)on
(4.13)
con
c(.. r
1
. r
2
. r
3
) =
1
r
2o
2
n
(.
2
+r
2
) (or
3
+r
3
)
2
c
(:
1
+i
1
)
a
+
1
r
on
1
0
+1rc
(:
1
+i
1
)
a
(or
3
+r
3
)
2
c
(:
1
+i
1
)
a
1
r
c
.
on
1
0
+1rc
(:
1
+i
1
)
a
(or
3
+r
3
)c
(:
1
+i
1
)
a
1
r
I
.
on
1
0
+1
r
c
(:
1
+i
1
)
a
(or
3
+r
3
)c
(:
1
+i
1
)
a
n
(4.14)
y
/(.. r
1
. r
2
. r
3
) =
j
1
1
v
/
i
c:
1
0
+1
v
c
(i
1
+i
1
)
a
(or
3
+r
3
)c
(i
1
+i
1
)
a
(4.15)
4.1 Linealizacin exacta 51
Debido que la ecuacin que corresponde a c(.) y /(.) queda inconclusa el valor de (or
3
+
r
3
) , se puede encontrar su valor mediante la siguiente expresin:
.
3
=
1
r
2on
(or
3
+r
3
)
2
c
(:
1
+i
1
)
a
+q
1r
2on
(or
3
+r
3
)
2
c
(:
1
+i
1
)
a
= .
3
+q
(or
3
+r
3
) =
q
2on
1
r
c
(:
1
+i
1
)
a
(.
3
+q)
(4.16)
y sustituyendo el valor de (or
3
+r
3
), en c(.) y /(.)
.
1
= .
2
.
2
= .
3
.
3
= c(.. r
1
. r
2
) +/(.. r
1
. r
2
)on
(4.17)
donde
c(.. r
1
. r
2
) =
1
o
(.
2
+r
2
) (.
3
+q) +
2
1
0
+1
r
c
(:
1
+i
1
)
a
(.
3
+q)
1rc
.
on
1
0
+1
r
c
(:
1
+i
1
)
a
(
q
2on
1r
c
(:
1
+i
1
)
a
(.
3
+q))c
(:
1
+i
1
)
a
1rI
.
on
1
0
+1
r
c
(:
1
+i
1
)
a
(
q
2on
1r
c
(:
1
+i
1
)
a
(.
3
+q))c
(:
1
+i
1
)
a
n
/(.. r
1
. r
2
) =
1
r
I
.
on
1
0
+1
r
c
(:
1
+i
1
)
a
q
2on
1
r
c
(:
1
+i
1
)
a
(.
3
+q)
(:
1
+i
1
)
a
(4.18)
Esta expresin queda en funcin de . y se emplear para eliminar las no linealidades del sis-
tema y disear un control retroalimentado lineal. Para comprobar las condiciones sucientes
que se deben de cumplir con este difeomorsmo, obtenemos las siguientes matrices:
. =
.
1
.
2
.
3
= c(or) =
or
1
or
2
1r
2on
(or
3
+r
3
)
2
c
(i
1
+i
1
)
a
+q
(4.19)
y aplicando la derivada parcial de c con respecto a or
52 Control de levitacin magntica
Jc
Jor
=
1 0 0
0 1 0
1r
2o
2
n
(or
3
+r
3
)
2
c
(i
1
+i
1
)
a
0
1r
on
(or
3
+r
3
)c
(i
1
+i
1
)
a
(4.20)
y como el det 6= 0 para r
3
6= 0. Adems es controlable de rango n , se cumple con las
condiciones que se requieren para el cambio de coordenadas.
Con el control
on =
1
/(.. r
1
. r
2
)
[c(.. r
1
. r
2
) +] (4.21)
donde
= /
1
.
1
+/
2
.
2
+/
3
.
3
(4.22)
y eligiendo valores apropiados para /
1
. /
2
. y /
3
tal que
0 1 0
0 0 1
/
1
/
2
/
3
es estable.
Podemos cancelar las no linealidades y tener una sistema lineal y controlable. Por con-
siguiente el sistema queda
.
1
= .
2
.
2
= .
3
.
3
= /
1
.
1
+/
2
.
2
+/
3
.
3
(4.23)
o
. = . (4.24)
donde
=
0 1 0
0 0 1
/
1
/
2
/3
. . = [.
1
. .
2
. .
3
]
T
(4.25)
tal que los eigenvalores del sistema en lazo cerrado tengan parte real negativa. Finalmente ,
el control completo no lineal convierte al sistema en lineal ya que es estable.
. 0 (4.26)
4.2 Controlador PID 53
4.2. Controlador PID
La combinacin de los efectos de accin proporcional integral y derivativa , se denomina
comnmente accin de control PID. Esta combinacin tiene las ventajas de cada una de las
tres acciones de control individuales mencionadas anteriormente. La ecuacin matemtica
con esta accin de control esta dada por
n(t) = 1
j
c(t) +1
i
Z
t
0
c(t)dt +1
1
dc (t)
dt
donde c(t) =
v
(t) (t) : es la seal de error.
Y 1
j
: es la ganancia proporcional, 1
i
: es la ganancia integral y 1
1
: es la ganancia
derivativa.
En general, la funcin de transferencia de un control PID presenta la siguiente forma:
n(:)
c (:)
= 1j +
1
i
:
+1
1
: (4.27)
Debido que no es posible la derivacin exacta de una seal, es necesario la utilizacin de
una aproximacin del trmino derivativo por un ltro de primer orden pasa bajo, tenindose
entonces:
n(:)
c (:)
= 1j +
1
i
:
+
1
1
:
t: + 1
(4.28)
Con t un parmetro positivo muy pequeo.
Hay que notar que debido a la dinmica rpida del sistema de levitacin magntica, es
indispensable que el esquema de control considerado (cualquiera que se utilice) responda
sucientemente rpido. La seleccin adecuada de los valores de las ganancias del controlador
PID (1j, 1
i
, 1
1
) que se requieren para el buen funcionamiento del sistema, se le conoce
como sintonizacin del controlador. Si se puede obtener un modelo matemtico de la planta,
entonces es posible aplicar diversas tcnicas para determinar estos parmetros, de tal forma
que sea posible cumplir con las especicaciones transitorias y de estado estacionario del
sistema en lazo cerrado. Sin embargo, hay que recalcar que este sistema en particular es
54 Control de levitacin magntica
altamente no lineal y de tercer orden, implica controlar tres variables a la vez, aunque en
este caso solo se tome una (la posicin) y no es fcil obtener dichos valores, el cual recurrimos
a la tcnica del lugar de las races e ir sintonizando una ganancia (en este caso 1j) y dejando
dos jas (1
i
, 1
1
).
4.3. Simulaciones
4.3.1. Valores de las ganancias de control y de los parmetros del
levitador magntico
Se seleccionaron los valores de la siguiente tabla:
Parametros Valores Unidades
: 0.0571 (masa de la esfera) [/q]
q 9.81
n
c
2
1
cn
funcin de r
1
y r
3
[`]
1
v
0.017521 [H]
1
0
0.038514 [H]
c 0.005831 [:]
c
i
0.0243 []
/
i
2.5165 []
(4.29)
donde r
1
[0. 0.016], r
2
R, r
3
[0.03884. 2.38] y n [0. 1]
Ecuaciones de la planta no lineal y controlador no lineal para simulacin
Las ecuaciones para la planta son:
4.3 Simulaciones 55
r
1
= r
2
(4.30)
r
2
= 26.3474r
2
3
exp(
r
1
0.0058231
) + 9.81 (4.31)
r
3
=
(2.5165n + 0.0243 r
3
)
0.038514 + 0.017521 exp
a1
0,0058231
Ecuaciones del controlador no lineal para simulacin
c
1
= 4.5246 1c003(r
2
3
r
2
exp(
r
1
0.0058231
)) (4.32)
c
2
=
52.6949(r
2
3
exp(
a
1
0,0058231
)
0.038514 + 0.017521 exp(
a
1
0,0058231
)
c
3
=
1.2805(r
3
exp(r
1
,0.0058231))
0.038514 + 0.017521 exp(
a
1
0,0058231
)
c
4
=
132.6067(0.3321r
3
exp(
a1
0,0058231
)
0.038514 + 0.017521 exp(
a
1
0,0058231
)
/ =
132.6067(r
3
exp(
a
1
0,0058231
)
0.038514 + 0.017521 exp(
a
1
0,0058231
)
donde la ley de control es:
n =
1
/
c
1
c
2
c
3
c
4
+/
1
(r
1
:c,
jccici ca
) +/
2
r
2
+/
3
(26.3474r
2
3
exp(
r
1
0.0058231
) + 9.81)
(4.33)
Para el control no lineal se obtuvieron las siguientes ganancias para la retroalimentacin,
tanto para la planta lineal y no lineal:
/
1
= 125
/
2
= 75
/
3
= 15
(4.34)
56 Control de levitacin magntica
Ecuaciones para la planta lineal en coordenadas z y el controlador no lineal para
simulacin
Las ecuaciones para la planta son:
.
1
= .
2
.
2
= .
3
.
3
= (c
1
+c
2
+c
3
+c
4
) + (/n) +jc:tn:/ccio:
Las ecuaciones para el controlador no lineal son las siguientes:
c
1
= 171.7298(.
2
+ 0)(.
3
+ 9.81 + 0.7005) (4.35)
c
2
=
2(.
3
+ 9.81 + 0.7005)
0.038514 + 0.017521 exp(
:
1
0,0048
0,0058231
)
)
c
3
= 1.2805
v
u
u
t
(0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.038514 + 0.017521 exp(
:10,0048
0,0058231
)
c
4
= 132.6067((0.3880)
v
u
u
t
0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.038514 + 0.017521 exp(
:10,0048
0,0058231
)
)
/ = 132.6067
v
u
u
t
0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.038514 + 0.017521 exp(
:
1
0,0048
0,0058231
)
n
e
n
c
m
Posicin
Referencia
Figura 4.2: Seguimiento de la posicin para coordenadas z.
58 Control de levitacin magntica
0 5 10 15 20
1.5
2
2.5
3
3.5
4
4.5
5
x 10
-3
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Posicin
Referencia
Figura 4.3: Seal de posicin llevada al punto de equilibrio.
La gura (4.2) muestra el seguimiento exacto de la posicin del sistema por linealizacin
exacta con una referencia senoidal, pues se ve que es bastante eciente y tiene una aproxi-
macin exacta.
En cuestin de la simulacin se tiene que:
:c,
jccici ca
= 0.002 sin(0.5t) + 0.004 (4.38)
Las seales en el punto de operacin son las siguientes:
Las grcas (4.3),(4.4) y (4.5) obtenidas , sealan los puntos de equilibrio del espacio de
trabajo para el levitador (aunque existen otros dentro del rango de operacin). Se observa
en general un buen desempeo.
4.3 Simulaciones 59
0 5 10 15 20
-8
-6
-4
-2
0
2
4
x 10
-3
t en segundos
V
e
l
o
c
i
d
a
d
e
n
m
/
s
Velocidad
Figura 4.4: Seal de velocidad llevada al punto de equilibrio.
60 Control de levitacin magntica
0 5 10 15 20
0.7
0.75
0.8
0.85
0.9
0.95
t en segundos
C
o
r
r
i
e
n
t
e
e
n
a
m
p
e
r
e
s
Corriente
Figura 4.5: Seal de corriente en el punto de equilibrio.
4.3.3. Control PID
Para la referencia de la simulacin del levitador, es:
:c,
jccici ca
= 0.002 sin(t) + 0.004 (4.39)
Los valores obtenidos para las ganancias en el caso del controlador PID son:
1
j
= 130
1
i
= 500
1
1
= 6
(4.40)
En las guras (??) y (4.7) se dan los resultados obtenidos en la simulacin del dispositivo,
utilizando los parmetros de la tabla (4.29), las ganancias del controlador y la variable de
salida que es la posicin, en cual es deseada el punto de equilibrio. Comparando estos resul-
tados con el controlador no lineal por retroalimentacin se puede concluir que son similares
4.3 Simulaciones 61
0 2 4 6 8 10
3
4
5
6
7
8
9
10
x 10
-3
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Posicin
Referencia
Figura 4.6: Posicin llevada al punto de equilibrio.
en cuanto a desempeo y buen funcionamiento en el rango de operacin, aunque si hay que
ajustarle dichos parmetros ya que es muy dicil de controlar porque la esfera slo se mueve
a escasos milmetros.
4.3.4. Conclusin
En las simulaciones de este capitulo , se examin el comportamiento del controlador no
lineal y del controlador PID . Todos los resultados estn realizados en lazo cerrado y son
localmente estables bajo ciertas suposiciones .
Hay que notar que para que el control PWM funcione es necesario una saturacin para
el control y especicar el rango de operacin apegado al dispositivo real para poder tener
comparaciones aproximadamente bien de las simulaciones con el objeto real.
Los resultados mostrados en este capitulo presentan las siguientes ventajas:
El diseo del controlador no lineal es un sistema de grado relativo 3, por lo tanto no
62 Control de levitacin magntica
0 2 4 6 8 10
1
2
3
4
5
6
7
8
9
x 10
-3
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Posicin
Referencia
Figura 4.7: Seguimiento de la seal de posicion con el controlador PID.
se tienen dinmicas internas que faltara por analizar, asi el anlisis esta completo.
El controlador no lineal diseado elimina todas las no linealidades y hace al sistema
totalmente lineal, adems su implementacin en el sistema no lineal es bastante eciente
para controlar la posicin del objeto levitado tomando las propiedades y las desventajas
del prototipo.
Para el diseo del controlador PID no fue tan fcil, debido a la complejidad del modelo
en la parte de la corriente , entonces al utilizar el mtodo del lugar de las races se
hizo tan compleja, ya que el sistema es tan sensible que los polos se hacen inestables,
es por ello que mejor se opt por usar el paquete de simulacin real del prototipo y se
obtienen buenos resultados , ya que los parmetros de simulacin estn estrictamente
restringidos, pero el procedimiento es el mismo como se describi anteriormente para
obtener las ganancias del controlador.
Finalmente, las simulaciones que se presentan se aproximan mucho al prototipo real ,sto
4.3 Simulaciones 63
con el n de poder tener una buena comparacin con el prototipo de laboratorio.
Captulo 5
Control de levitacin magntica con
compensacin neuronal.
Si desea posicionar al levitador en puntos jos de su espacio de trabajo (problema de
regulacin), el control no lineal puede prescindir de trminos de compensacin cuando la
funcin nominal es desconocida. En este capitulo el controlador no lineal requiere de trmi-
nos adicionales (trminos de compensacin) para compensar algunas no linealidades de la
dinmica del levitador con el propsito de hacer cero o acotar el error de seguimiento y hacer
que el sistema en lazo cerrado sea estable. Para lograr esto, se propone una red neuronal
dinmica de una capa para estimar la compensacin que el control no lineal necesita para
resolver el problema de seguimiento de trayectoria. Dicha compensacin consta de dinmicas
no modeladas o incertidumbres y la variacin de la funcin nominal del controlador.
Posteriormente se garantiza que el punto de equilibrio del sistema en lazo cerrado (levi-
tador y control no lineal) es el error de seguimiento y que la prueba de estabilidad asegura
que el sistema en lazo cerrado es estable. Esto simplica la implementacin del controlador
en un levitador real, reduciendo el tiempo de cmputo y requiriendo una red neuronal de
baja complejidad.
Las leyes de aprendizaje que se obtienen son muy parecidas a la versin continua del
algoritmo de mnimos cuadrados, con algunos trminos adicionales. Adems, los valores
66 Control de levitacin magntica con compensacin neuronal.
iniciales de los pesos de la red neuronal estn actualizados en lnea con los parmetros del
levitador magntico Finalmente, se presentan los resultados de simular el control no lineal
compensado con la red neuronal. En ellas es posible observar la estabilidad del sistema
completo y su desempeo para diferentes pesos iniciales.
5.1. Regulacin con compensacin neuronal
Un sistema no lineal en su forma cannica controlable est dada por:
r
(a)
= ,
.
(A) +q (A) n +
, (5.1)
en el cual A =
r. r. r
(a)
T
. ,
.
(A) es una parte conocida,
, es una incertidumbre
desconocida que se expresa como:
, = \
o(r) +j (5.2)
donde \
A
1
A
a
A
2
,
.
(A) +q (A) n +
,
(5.3)
donde A = [A
1
. A
2
. A
a
]
T
son los estados de la planta.
Si q (A) 6= 0. las no linealidades pueden ser canceladas por (regulacin):
n =
1
q (A)
h
: ,
.
(A)
c
\o(r)
i
(5.4)
donde : es la retroalimentacin de estado de la red neuronal y
c
\ son los pesos que se estn
aprendiendo y r = [r
1,
r
2
. .... r
a
] son los estados de entrada a la red neuronal.
5.1 Regulacin con compensacin neuronal 67
Por consiguiente
r
(a)
= : +
,
c
\o(r) (5.5)
Sea
: = /
0
r
1
/
1
r
2
/
a1
r
a
= 1
T
A (5.6)
donde 1 = [/
0
/
a1
]
T
.
Por lo tanto, el sistema quedara como:
r
(a)
= 1
T
A +
,
c
\o(r) (5.7)
En forma matricial
A = A +/
,
c
\o(r)
(5.8)
donde =
0 1 0 0
1
/
0
/
a1
. / = [0. 0. 1]
T
. Los eigenvalores de es el dct (:1 ) =
:
a
+/
a1
:
a1
+ +/
0
.
S1: Existe un
j constante positiva tal que para todo j, se tiene que
j
T
1
j
j 0 < =
T
R
aaa
(5.9)
Teorema 5.1 Supngase que S1 se satisface, la ley de control
n =
1
q(A)
h
: , (A)
c
\o (r)
i
(5.10)
junto con la ley de adaptacin
c
\ = 1
&
A
T
1/o
T
(r) (5.11)
garantiza que el estado esta acotado uniformemente
1
y el sistema es estable en el sentido de
Lyapunov en el conjunto denido por:
1 =
n
r R
a
|k r k
2
Q
2
j
o
(5.12)
1
Sea una funcin \ (r, t) continua con primera derivada con respecto al tiempo,
\ (r, t) continua, y sean
las funciones de clase 1, c, , y denidas en una vecindad 1 alrededor del punto de equilibrio r
= 0, del
68 Control de levitacin magntica con compensacin neuronal.
donde : es la dimensin del sistema.
Demostracin. Considere la siguiente funcin candidata de Lyapunov:
\ = A
T
1A +t:
f
\
T
1
1
&
f
\
(5.13)
La derivada con respecto al tiempo es:
\ =
1
2
A
T
1A +
1
2
A
T
1
A +
1
2
t:
f
\
T
1
1
&
f
\
!
(5.14)
Sustituyendo el valor de (5.8), se obtiene la siguiente ecuacin:
\ =
1
2
h
A
T
T
+/
T
(
,
c
\o (r))
i
1A+
1
2
A
T
1
h
A +/(
,
c
\o (r))
i
+
1
2
t:
f
\
T
1
1
&
f
\
!
(5.15)
Manipulando trminos la ecuacin queda de la siguiente manera:
\ =
1
2
A
T
T
1 +1
A +
1
2
/
T
,1A +
1
2
A
T
1/
,
1
2
/
T
c
\o (r) 1A (5.16)
1
2
A
T
1/
c
\o (r) +
1
2
t:
f
\
T
1
1
&
f
\
!
(5.17)
Utilizando las propiedades de (1)
T
= 1
T
T
y la t: [1] = t: [1] y sustituyendo el
valor de (5.2) se puede agrupar en la siguiente expresin:
sistema
r = )(r, t). Entonces, el punto de equilibrio r
= 0 es:
1.- estable si \ (r, t) c(k r k) y
\ (r, t) 0.
2.- uniformemente estable si \ (r, t) , (k r k) .
La primera condicin garantiza que si k r k crece, entonces \ (r, t) crece independientemente de t. La
segunda condicin implica que \ (r, t) permanece acotada, es decir, permanece constante o inclusive decrece.
5.1 Regulacin con compensacin neuronal 69
\ =
1
2
A
T
T
1 +1
A +A
T
1/
, +A
T
1/
o(A)
c
\o(r)
+
1
2
t:
f
\
T
1
1
&
f
\
!
(5.18)
con
f
\ = \
o(A)
c
\o(A) , donde
f
\ es el error de los pesos, por lo tanto:
\ =
1
2
A
T
T
1 +1
A +A
T
1/
, +A
T
1/
f
\
t
o (r) +
1
2
t:
f
\
T
1
1
&
f
\
!
(5.19)
Usando la siguiente desigualdad matricial
A
T
1/
,
1
2
A
T
11A +
,
T
1
,
1
2
A
T
11A +
j (5.20)
con la matriz denida positiva 0 < =
T
R
aaa
, adems, ya que es estable, entonces
existe una 1 denida positiva, es tal que satisface la ecuacin de Riccati:
T
1 +1+11 = Q (5.21)
Por consiguiente se tiene que
\
1
2
A
T
(
T
1 +1+11)A +
j +A
T
1/
f
\o (r) +
1
2
1
1
&
f
\
T
f
\ (5.22)
Para obtener la ley de aprendizaje tomamos las ultimas dos expresiones y se iguala a
cero:
A
T
1/
f
\o (r) +
1
2
1
1
&
f
\
T
f
\ = 0 (5.23)
Se da la siguiente expresin ya que al nal son operaciones escalares:
(A
T
1/o
T
(r) +
1
2
1
1
&
f
\)
f
\
T
= 0 (5.24)
Y como
f
\ =
c
\, se obtiene nalmente la ley de aprendizaje:
70 Control de levitacin magntica con compensacin neuronal.
c
\ = 21
&
A
T
1/o
T
(r) = 1
&
A
T
1/o
T
(r) (5.25)
Y retomando la primera parte de la ecuacin (5.22) y usando (5.21), se tiene que
\
1
2
A
T
QA +
j
1
2
`
mn
(Q) k A k
2
k A k
2
Q
+2
j (5.26)
Se puede mencionar dos casos
1)Si
k A k
2
Q
2
j (5.27)
j (5.28)
=
1
q (r)
, (r) +
(a)
n
+1
T
c
(5.29)
y
n =
1
q (r)
h
b
, (r) +
(a)
n
+1
T
c
i
(5.30)
Denimos las siguientes redes
, (r) = \
)
c
)
(r) . , (r) = \
)
c
)
(r) +j
)
(5.31)
como
j
1
=
b
,
, (5.32)
5.2 Seguimiento con compensacin neuronal 71
donde j
1
es el error de los pesos.
pero
, =
, +,
.
(5.33)
donde , es el valor para la planta desconocida,
, es la incertidumbre y ,
.
es la funcin
nominal, el cual ,
.
0 ya que es la que no se conoce, por lo tanto
, =
, (5.34)
El cual se sustituye (5.34) en (5.32), por consiguiente
j
1
=
b
, (r) , (r)
j
1
= \
)
c
)
(r) \
)
c
)
(r) j
)
j
1
=
f
\
)
c
)
(r) j
)
.
f
\
)
= \
)
\
)
(5.35)
donde j
1
es el error de modelacin por redes neuronales.
El control es sustituido a la planta
(a)
= , +qn, entonces:
(a)
=
h
b
, (r) j
1
i
+q
1
j
h
b
, (r) +
(a)
n
+1
T
c
i
(a)
=
(a)
n
+1
T
c j
1
c = c /j
1
/ = [0. 0. 1]
T
(5.36)
S2: Existe un
j
)
constante positiva tal que para todo j
)
, se tiene que
j
T
)
1
j
)
j
)
0 < =
T
R
aaa
(5.37)
Teorema 5.2 Supngase que S2 se satisface, la ley de control
n =
1
q(r)
, (r) +
(a)
n
+1
T
c
(5.38)
junto con la ley de adaptacin
f
\
)
= 1
)
c
T
1/o
T
(r) (5.39)
garantiza que el error esta acotado uniformemente en el conjunto denido por
1 =
n
c R
a
|k c k
2
Q
j
)
o
(5.40)
donde : es la dimensin del sistema.
72 Control de levitacin magntica con compensacin neuronal.
Demostracin. Sea la siguiente funcin candidata de Lyapunov
\ =
1
2
c
T
1c +
1
/
)
t:
f
\
T
)
f
\
)
(5.41)
Derivando con respecto al tiempo
\ =
c
T
1c +c
T
1
c +
2
/
)
t:
"
f
\
T
)
f
\
)
#
(5.42)
Y sustituyendo (5.36) se tiene lo siguiente:
\ = (c
T
T
j
1
/
T
)1c +c
T
1(c /j
1
) +
2
/
)
t:
"
f
\
T
)
f
\
)
#
(5.43)
= c
T
T
1 +1
c j
1
/
T
1c c
T
1/j
1
+
2
/
)
t:
"
f
\
T
)
f
\
)
#
De acuerdo la propiedad de (1)
T
= 1
T
T
y t: [1] = t: [1] ,y sustituyendo (5.35)
se tiene que:
\ = c
T
T
1 +1
c 2c
T
1/(
f
\
)
c
)
(r) j
)
) +
2
/
)
(
f
\
)
f
\
T
)
) (5.44)
= c
T
T
1 +1
c + 2c
T
1/j
)
2c
T
1/
f
\
)
c
)
(r) +
2
/
)
(
f
\
)
f
\
T
)
)
Para obtener la ley de aprendizaje se toma las ltimas dos expresiones y se iguala a cero:
2c
T
1/
f
\
)
c
)
(r) +
2
I
]
(
f
\
)
f
\
T
)
) = 0
c
T
1/c
T
)
(r)
f
\
T
)
+
1
I
]
(
f
\
)
f
\
T
)
) = 0
(c
T
1/c
T
)
(r) +
1
I
]
f
\
)
)
f
\
T
)
= 0
c
T
1/c
T
)
(r) +
1
I
]
f
\
)
= 0
(5.45)
5.3 Redes neuronales multicapa 73
Realizando despeje de
f
\
)
en la ecuacin (5.45), se obtiene el algoritmo de aprendizaje:
f
\
)
= /
)
c
T
1/c
)
(5.46)
Retomando la ecuacin (5.44) y usando la siguiente desigualdad matricial
2c
T
1/, c
T
11c +j
T
)
1
j
)
c
T
1
1
/
T
1c +
j
)
(5.47)
con la matriz denida positiva 0 < =
T
R
aaa
, adems, ya que es estable, entonces
existe una 1 denida positiva, es tal que satisface la ecuacin de Riccati:
T
1 +1+1
1
/
T
1 = Q (5.48)
Por consiguiente
\ c
T
Qc +
j
)
`
mn
(Q) k c k
2
k c k
2
Q
+
j
)
(5.49)
1)Si
k c k
2
Q
j
)
(5.50)
j
)
(5.51)
j
)
. Por lo tanto el error esta acotado uniformemente .
5.3. Redes neuronales multicapa
Cuando , es desconocida, tenemos las siguientes redes
, (r) = \
)
c
)
(\
)
r) . , (r) = \
)
c
)
)
r
+j
)
(5.52)
74 Control de levitacin magntica con compensacin neuronal.
Denimos
j
2
=
b
, (r) , (r)
j
2
= \
)
c
)
(\
)
r) \
)
c
)
)
r
j
)
(5.53)
Por lo tanto,
j
2
= \
)
c
)
(\
)
r) \
)
c
)
)
r
j
)
j
2
= \
)
c
)
(\
)
r) \
)
c
)
)
r
+\
)
c
)
)
r
)
c
)
)
r
j
)
(5.54)
Usando la serie de Taylor
, (\
)
) ,
\
=
J,
Jc
)
)
r
\
)
\
+o
)
(5.55)
Se tiene que
j
2
=
c
)
(\
)
r)\
)
\
)
r
+
f
\
)
c
)
)
r
j
)
o
)
(5.56)
j
2
=
c
)
(\
)
r)\
)
\
)
r +
f
\
)
c
)
)
r
j
1)
donde j
1)
= j
)
+o
)
El control que es sustituido a la planta
(a)
= , +qn queda como:
c = c /
e
, / = [0. 0. 1]
T
(5.57)
S3. Existe una constante positiva j
1)
tal que para todo j
1)
:
j
T
1)
1
j
1)
j
1)
. 0 < =
T
R
aaa
(5.58)
Teorema 5.3 Supngase que S3 se satisface, la ley de control
n =
1
q(A)
h
b
, (r) +
(a)
n
+1
T
c
i
(5.59)
junto con las leyes de adaptacin
\
)
= 1
)
c
T
1/c
)
)
r
\
)
= /
)
c
T
1/
c
)
)
r
\
)
r
(5.60)
5.3 Redes neuronales multicapa 75
garantiza que el error esta acotado uniformemente en el conjunto denido por:
1 =
n
c R
a
|k c k
2
Q
j
1)
o
(5.61)
donde : es la dimensin del sistema.
Demostracin. Sea la siguiente funcin candidata de Lyapunov
\ = c
T
1c +
1
/
)
t:
h
f
\
T
)
f
\
)
i
+
1
/
)
t:
h
e
\
T
)
e
\
)
i
(5.62)
Derivando la funcin se tiene:
\ =
c
T
1c +c
T
1
c +
2
/
)
t:
"
f
\
T
)
f
\
)
#
+
2
/
)
t:
e
\
T
)
e
\
)
(5.63)
Y sustituyendo (5.57) se da la siguiente expresin:
\ = (c
T
T
j
2
/
T
)1c +c
T
1(c /j
2
) +
2
/
)
t:
"
f
\
T
)
f
\
)
#
+
2
/
)
t:
e
\
T
)
e
\
)
(5.64)
= c
T
T
1 +1
c j
2
/
T
1c c
T
1/j
2
+
2
/
)
t:
"
f
\
T
)
f
\
)
#
+
2
/
)
t:
e
\
T
)
e
\
)
T
y la t: [1] = t: [1], y sustituyendo (5.56) , por
consiguiente:
\ = c
T
T
1 +1
c 2c
T
1/
c
)
(\
)
r)\
)
\
)
r +
f
\
)
c
)
(\
)
r) j
1)
(5.65)
+
2
/
)
f
\
)
f
\
T
)
+
2
/
)
e
\
)
e
\
T
)
(5.66)
= c
T
T
1 +1
c + 2c
T
1/j
1)
2c
T
1/
c
)
(\
)
r)\
)
\
)
r +
f
\
)
c
)
(\
)
r)
+
2
/
)
f
\
)
f
\
T
)
+
2
/
)
e
\
)
e
\
T
)
(5.67)
76 Control de levitacin magntica con compensacin neuronal.
Para obtener la ley de aprendizaje se toman las ltimas tres expresiones y se iguala a
cero:
2c
T
1/
c
)
)
r
\
)
\
)
r +
f
\
)
c
)
(\
)
r)
+
2
I
]
f
\
)
f
\
T
)
+
2
I
]
e
\
)
e
\
T
)
= 0
c
T
1/c
T
)
(r)
f
\
T
)
+
1
I
]
f
\
)
f
\
T
)
= 0 c
T
1/
c
)
\
)
r\
)
\
)
r +
1
I
]
e
\
)
e
\
T
)
(c
T
1/c
T
)
(r) +
1
I
]
f
\
)
)
f
\
T
)
= 0
c
T
1/
c
)
)
r
\
)
r +
1
I
]
e
\
)
e
\
T
)
c
T
1/c
T
)
(r) +
1
I
]
f
\
)
= 0 c
T
1/
c
)
)
r
\
)
r +
1
I
]
e
\
)
= 0
(5.68)
Por lo tanto, se obtienen los algoritmos de aprendizaje, que son:
\
)
= /
)
c
T
1/c
)
)
r
\
)
= /
)
c
T
1/
c
)
)
r
\
)
r
(5.69)
Retomando la ecuacin (5.65) y usando la siguiente desigualdad matricial
2c
T
1/j
1)
c
T
1/
1
/
T
1c +j
T
)
1
j
)
c
T
1/
1
/
T
1c +
j
1)
(5.70)
con la matriz denida positiva 0 < =
T
R
aaa
, adems, ya que es estable, entonces
existe una 1 denida positiva, es tal que satisface la ecuacin de Riccati:
T
1 +1+1
1
/
T
1 = Q (5.71)
Por consiguiente se produce que:
\ c
T
Qc +
j
1)
`
mn
(Q) k c k
2
k c k
2
Q
+
j
1)
(5.72)
Se tiene dos casos:
1) Si
k c k
2
Q
j
1)
(5.73)
j
1)
(5.74)
j
1)
. Por lo tanto el error esta acotado uniformemente .
5.4. , y q son desconocidos
La ley de control ideal es el siguiente:
n
=
1
q (r)
, (r) +
(a)
n
+1
T
c
(5.75)
y
n =
1
q (r)
h
b
, (r) +
(a)
n
+1
T
c
i
(5.76)
Las redes neuronales son :
, (r) = \
)
c
)
(r) . , (r) = \
)
c
)
(r) +j
)
q (r) = \
j
c
j
(r) . q (r) = \
j
c
j
(r) +j
j
(5.77)
Adems, se dene:
j
3
=
b
, (r) , (r)
= \
)
c
)
(r) \
)
c
)
(r) j
)
=
f
\
)
c
)
(r) j
)
(5.78)
y
j
4
= bq (r) q (r)
= \
j
c
j
(r) \
j
c
j
(r) j
j
=
f
\
j
c
j
(r) j
j
(5.79)
78 Control de levitacin magntica con compensacin neuronal.
El control n =
1
j
h
b
, +
(a)
n
+1
T
c
i
es sustituido a la planta
(a)
= , + qn, lo cual se
tiene que:
(a)
=
h
b
, j
3
i
+ (bq j
4
)
1
j
h
b
, +
(a)
n
+1
T
c
i
=
(a)
n
+1
T
c j
3
j
4
1
j
h
b
, +
(a)
n
+1
T
c
i
=
(a)
n
+1
T
c j
3
j
4
n
c = c / (j
3
+j
4
n) / = [0. 0. 1]
T
(5.80)
S4. Existe una cota positiva
_
j
)
para tal que para todo j
)
:
k j
)
k
2
1
_
j
)
. 0 < =
T
R
aaa
(5.81)
S5. Existe un numero positivo
_
j
j
tal que para todo j
j
:
k j
j
k
2
1
_
j
j
. 0 < =
T
R
aaa
(5.82)
Teorema 5.4 Supngase que S4 y S5 se satisfacen, la ley de control
n =
1
q (r)
h
b
, (r) +
(a)
n
+1
T
c
i
(5.83)
Con las leyes de aprendizaje
f
\
)
= :
)
/
)
c
T
1/c
)
f
\
j
= :
j
/
j
c
T
1/c
j
n
(5.84)
donde
:
)
=
(
1 si kck
2
Q
_
j
)
+
_
j
j
0 otro caso
:
j
=
1
si k\
j
k / o k\
j
k = /
y
c
T
1/c
j
n
(\
j
) 0
y kck
2
Q
_
j
)
+
_
j
j
0 otro caso
(5.85)
garantiza que el error esta acotado uniformemente en el conjunto denido por
1 =
c R
a
|k c k
2
Q
_
j
)
+
_
j
j
(5.86)
5.4 , y q son desconocidos 79
donde : es la dimensin del sistema.
Demostracin. Se propone la siguiente funcin candidata de Lyapunov
\ =
1
2
c
T
1c +
1
I
]
t:
h
f
\
T
)
f
\
)
i
+
1
I
h
f
\
T
j
f
\
j
i
(5.87)
Y derivando \ con respecto al tiempo:
\ =
c
T
1c +c
T
1
c +
2
/
)
t:
"
f
\
T
)
f
\
)
#
+
2
/
j
t:
"
f
\
T
j
f
\
j
#
(5.88)
Sustituyendo (5.80) en la expresin anterior,se produce que:
\ = (c
T
T
j
3
/
T
j
4
n/
T
)1c +c
T
1(c /j
3
/j
4
n) (5.89)
+
2
/
)
t:
"
f
\
T
)
f
\
)
#
+
2
/
j
t:
"
f
\
T
j
f
\
j
#
(5.90)
= c
T
T
1 +1
c j
3
/
T
1c j
4
n/
T
1c c
T
1/j
3
c
T
1/j
4
n
+
2
/
)
t:
"
f
\
T
)
f
\
)
#
+
2
/
)
t:
"
f
\
T
j
f
\
j
#
(5.91)
Utilizando la propiedad de (1)
T
= 1
T
T
y propiedad de t: [1] = t: [1] y susti-
tuyendo (5.78) y (5.79), se produce que:
\ = c
T
T
1 +1
c 2c
T
1/
f
\
)
c
)
(r) j
)
2c
T
1/
f
\
j
c
j
(r) j
j
n(5.92)
+
2
/
)
f
\
T
)
f
\
)
+
2
/
)
f
\
T
j
f
\
j
(5.93)
= c
T
T
1 +1
c + 2c
T
1/j
)
+ 2c
T
1/j
j
n
2c
T
1/
f
\
)
c
)
(r) 2c
T
1/
f
\
j
c
j
(r) n +
2
/
)
f
\
T
)
f
\
)
+
2
/
)
f
\
T
j
f
\
j
(5.94)
Para obtener las leyes de aprendizaje para las dos neuronas , se iguala a cero los ltimos
cuatro trminos de la ecuacin anterior:
80 Control de levitacin magntica con compensacin neuronal.
2c
T
1/
f
\
)
c
)
(r) 2c
T
1/
f
\
j
c
j
(r) n +
2
I
]
f
\
T
)
f
\
)
+
2
I
]
f
\
T
j
f
\
j
= 0
2c
T
1/
f
\
)
c
)
(r) +
2
I
]
f
\
T
)
\
)
2c
T
1/
f
\
j
c
j
(r) n +
2
I
]
f
\
T
j
f
\
j
= 0
(5.95)
Se puede reagrupar trminos comunes para obtener las dos leyes de aprendizaje, por lo
tanto
2c
T
1/
f
\
)
c
)
(r) +
2
I
]
f
\
T
)
f
\
)
= 0 2c
T
1/
f
\
j
c
j
(r) n +
2
I
]
2
I
]
f
\
T
j
f
\
j
= 0
/
)
c
T
1/c
T
)
(r) +
f
\
)
!
f
\
T
)
= 0
/
)
c
T
1/c
T
j
(r) n +
f
\
j
!
f
\
T
j
= 0
(5.96)
Finalmente las leyes de aprendizaje para
f
\
)
y
f
\
j
son :
f
\
)
= /
)
c
T
1/c
T
)
(r)
f
\
j
= /
)
c
T
1/c
T
j
(r) n
(5.97)
De la ecuacin (5.92) y usando la siguiente desigualdad matricial:
2c
T
1/j
)
c
T
1/
1
)
/
T
1c +j
T
)
1
j
)
c
T
1/
1
)
/
T
1c +
_
j
)
2c
T
1/j
j
n c
T
1/
1
j
/
T
1c +j
T
j
1
j
j
c
T
1/
1
j
/
T
1c +
_
j
j
con la matriz denida positiva 0 < =
T
R
aaa
, adems, ya que es estable, entonces
existe una 1 denida positiva, es tal que satisface la ecuacin de Riccati:
T
1 +1+1
/
1
)
/
T
+/
1
j
/
T
1 = Q (5.98)
entonces,
\ c
T
Qc +
_
j
)
+
_
j
j
`
mn
(Q) k c k
2
k c k
2
Q
+
_
j
)
+
_
j
j
(5.99)
Por lo tanto
\ c
T
Qc +
_
j
)
+
_
j
j
+ 2c
T
1/
f
\
j
c
j
(r) n + 2
1
/
j
t:
"
f
\
T
j
f
\
j
#
(5.100)
5.4 , y q son desconocidos 81
Mtodo de proyeccin
Este mtodo se enfoca sobre la estabilidad cuando q es desconocida, esto es con el n de
que no se presente una singularidad o que la ley de control sea innito, por lo tanto hay que
seleccionar valores restringindolo en cierta rea de desempeo, as, se propone que para q :
q (r) = \
j
c
j
(r) 6= 0
\
j
= /
j
c
T
1/c
j
n
(5.101)
donde q (r) es la funcin nominal desconocida, \
j
es el vector de pesos de la red neuronal
y c
j
(r) es la funcin de activacin no lineal.
Entonces c
j
(r) puede hacerse de tal manera que
c
j
(r)
c 0 (5.102)
La proyeccin de \
j
es tal que
k\
j
k /
0
\
0
j
0 (5.103)
q (r) = \
j
c
j
(r) . q (r) = \
0
j
c
j
(r) +j
j
eq =
f
\
j
c
j
(r) j
j
(5.104)
Se utiliza la tcnica de proyeccin, el cual se tiene los siguientes casos
\
j
=
/
j
c
T
1/c
j
n
si k\
j
k /
0
o k\
j
k = /
0
y
c
T
1/c
j
n
(\
j
) 0
0 otro caso
(5.105)
Entonces:
1) Si \
j
0. /
j
c
T
1/c
j
n 0. por lo tanto k\
j
k es creciente
2) Si \
j
< 0. /
j
c
T
1/c
j
n < 0. por lo tanto k\
j
k es creciente
Esto asegura que |\
j
| / 0.
Si |\
j
| /
0
o |\
j
| = /
0
y
c
T
1/c
j
n
(\
j
) 0.tenemos que
\ c
T
Qc +
_
j
)
+
_
j
j
(5.106)
82 Control de levitacin magntica con compensacin neuronal.
Podemos tener casos el cual:
Si |\
j
| = /
0
es constante.entonces
f
\
j
= 0.
Si \
j
< 0.
c
T
1/c
j
n
/
0
\
0
j
c
T
1/c
j
n
<
0.
Si \
j
0.
c
T
1/c
j
n
0. 2c
T
1/
f
\
j
c
j
(r) n = t:
/
0
+\
0
j
c
T
1/c
j
n
0
Por consiguiente, se cumple con la estabilidad del sistema:
\ c
T
Qc +
_
j
)
+
_
j
j
+ 2c
T
1/
f
\
j
c
j
(r) n c
T
Qc +
_
j
)
+
_
j
j
(5.107)
En ambos casos
\ c
T
Qc +
_
j
)
+
_
j
j
(5.108)
Entonces , kck
2
Q
j
)
+j
j
.
1
= .
2
.
2
= .
3
.
3
= (c
1
+c
2
+c
3
+c
4
) + (/n) +jc:tn:/cci o:
Ecuaciones para el controlador no lineal para simulacin
c
1
= 171.7298(.
2
+ 0)(.
3
+ 9.81 + 0.7005)
c
22
=
1,9(:
3
+9,81+0,7005)
0,038514+0,017521 exp
(
:
1
0,0048
0,0058231
)
c
3
= 1.2805
r
(0,0380 exp(
:
1
+0,0048
0,0058231
)(:
3
+9,81+0,7005) exp(
:
1
0,0048
0,0058231
)
0,038514+0,017521 exp(
:
1
0,0048
0,0058231
)
c
4
= 132.6067((0.3880)
r
0,0380 exp(
:
1
+0,0048
0,0058231
)(:
3
+9,81+0,7005) exp(
:
1
0,0048
0,0058231
)
0,038514+0,017521 exp(
:
1
0,0048
0,0058231
)
)
/ = 132.6067
r
0,0380 exp(
:
1
+0,0048
0,0058231
)(:
3
+9,81+0,7005) exp(
:
1
0,0048
0,0058231
)
0,038514+0,017521 exp(
:
1
0,0048
0,0058231
)
(5.109)
donde
n =
1
/
[c
1
c
22
c
3
c
4
+/
1
(.
1
:c,
jccici ca
) +/
2
.
2
+/
3
.
3
+n
..)
] (5.110)
En todas las simulaciones se utilizaron las mismas ganancias anteriormente escritas el
cual tienen los siguientes valores:
/
1
= 125
/
2
= 75
/
3
= 15
(5.111)
Para la red neuronal en regulacin como en seguimiento, se utilizaron los siguientes
parmetros:
n
..)
= \
)
o
84 Control de levitacin magntica con compensacin neuronal.
\
)
= (1000)
3
1 + exp(r
1
)
1
1 + exp(r
2
)
2
1 + exp(r
3
)
0.1
(c::o:) (5.112)
o =
3
1 + exp(r
1
)
1
1 + exp(r
2
)
2
1 + exp(r
3
)
0.1
(2)
donde
c::o: = :c,
jccci ca
jo:ici o: (5.113)
Regulacin
Para el caso de regulacin, la referencia usada es una onda cuadrada con 0.3 de amplitud
y una frecuencia de 0.03 ms un trmino de bias de 0.38.
Primeramente, la gura (5.1) se muestra la posicin del levitador sin compensacin neu-
ronal con un cambio en el valor nominal de los parmetros del modelo, donde se observa
que el desempeo del control no es bueno, en el sentido que estn desfasadas las seales en
cuanto a magnitud.
Para la seal de posicin con compensacin neuronal en regulacin, es el siguiente:
1 Con condicin inicial en los pesos \
)
(0) = 10
En esta grca (5.2) , se ve que la ley de aprendizaje no alcanza compensar a la posicin
con respecto a la referencia , es por eso que con el peso asignado no tiene buen desempeo.
2 Con condicin inicial en los pesos \
)
(0) = 1
La gura (5.3) muestra la regulacin al cual alcanza la posicin del levitador en cierto
periodo de tiempo con condicin en el peso de 1, es claro que el mejor desempeo lo tiene
un control de compensacin exacta, aunque la compensacin neuronal se aproxima bastante
a el. El tiempo de aprendizaje de la red neuronal que reeja crece conforme el desempeo
del control es mayor para posteriormente ir disminuyendo.
3 Para el caso matricial, con condicin inicial vectorial en los pesos \
)
(0) = [200 20 10]
5.5 Simulaciones 85
0 10 20 30 40 50 60
0
0.2
0.4
0.6
0.8
1
t en segundos
P
o
s
i
c
i
n
e
n
c
m
Posicin
Referencia
Figura 5.1: Seal de posicion sin compensar.
86 Control de levitacin magntica con compensacin neuronal.
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.2: Regulacion de posicin con compensacin neuronal.
5.5 Simulaciones 87
0 20 40 60 80 100
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
t en segundos
p
o
s
i
c
i
o
n
e
n
c
m
Posicin
Referencia
Figura 5.3: Regulacion de la posicin con compensacin neuronal.
88 Control de levitacin magntica con compensacin neuronal.
La referencia que fue utilizada es una onda cuadrada con 0.3 de amplitud y una frecuencia
de 0.04 ms un trmino de bias de 0.4
Los siguientes valores de simulacin son, tanto para seguimiento como regulacin :
/
1
= 125
/
2
= 75
/
3
= 15
``
)
= \
)
(0)o
= [200 20 10]
0.2,(1 + exp(r1))
0.1,(1 + exp(r2))
0.5,(1 + exp(r3))
Adems
\
)
= /
&
c
T
1/o
T
(r)
= (0.0001)
c
1
= :c,
jccicica
jo:icio:
c
2
= :c,
c|cciooo
c|ocidcd
c
3
= :c,
ccvvicatc
co::ic:tc
20 0 0
0 3 0
0 0 5
0
0
1
0.2,(1 + exp(r1))
0.1,(1 + exp(r2))
0.5,(1 + exp(r3))
T
Y el resultado que es similar al del caso escalar , aunque los dos tienen un buena aproxi-
macin al rango de operacin del levitador.
Seguimiento
En este caso, para la simulacin en seguimiento la referencia usada es:
5.5 Simulaciones 89
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
t en segundos
P
o
s
i
c
i
n
e
n
c
m
Posicin
Referencia
Figura 5.4: Regulacin con compensacin neuronal de la posicin en forma matricial.
90 Control de levitacin magntica con compensacin neuronal.
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.5: Seguimiento en la posicin con compensacin neuronal.
:c,
jccici ca
= 0.3 sin (0.03t) + 0.38 (5.114)
Los resultados para seguimiento de la posicin con compensacin neuronal y el error de
aprendizaje de la red neuronal que compensa a dicha posicin son:
1 Con condicin inicial en los pesos \
)
(0) = 11
En esta grca (5.5) la seal de compensacin no tiene un buen seguimiento con la
condicin inicial dada, es por esa razn que hay que sintonizarle en los parmetros y en los
pesos de la red neuronal para obtener una respuesta adecuada.
2 Con condicin inicial en los pesos \
)
(0) = 1
La grca (5.6) de seguimiento o error de seguimiento es aceptable para mejorar el de-
sempeo del control, por lo tanto con los pesos iniciales para la red neuronal se aproxima
bien la posicin a la referencia.
5.5 Simulaciones 91
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
t en segundos
P
o
s
i
c
i
n
e
n
c
m
Posicin
Referencia
Figura 5.6: Seguimiento de posicion con compensacion neuronal.
92 Control de levitacin magntica con compensacin neuronal.
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
t en segundos
P
o
s
i
c
i
n
e
n
c
m
Posicin
Referencia
Figura 5.7: Seguimiento con compensacin neuronal de la posicin en forma matricial.
3 Para el caso matricial, para seguimiento y con condicin inicial vectorial en los pesos
\
)
= [200 20 10]
T
Los valores de simulacin son los mismos de regulacin matricial, solo la referencia cambia
, el cual se tiene que:
:c,
jccici ca
= 0.38sin(0.04t) + 0.4
An as, tanto en forma escalar como matricial , se tienen casi los mismas grcas, es
por ello que en esta tesis se reporta simulaciones en casos escalares, ya que es mas fcil de
manipular debido a que slo estamos midiendo una variable, que es la posicin.
Seal de error
La gura (5.8) muestra que el error esta acotado.
5.5 Simulaciones 93
0 20 40 60 80 100
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
Seal de error
Figura 5.8: Error de aprendizaje para la red neuronal.
94 Control de levitacin magntica con compensacin neuronal.
5.5.2. Regulacin y seguimiento cuando f y g son desconocidas
Ecuaciones para la planta lineal y el controlador no lineal
Las ecuaciones de la planta para simulacin son:
.
1
= .
2
(5.115)
.
2
= .
3
.
3
= (c
1
+c
2
+c
3
+c
4
) + (/n) +jc:tn:/cci o:
Ecuaciones para el controlador no lineal para simulacin
c
1
= 171.7298(.
2
+ 0)(.
3
+ 9.81 + 0.7005) (5.116)
c
22
=
1.9(.
3
+ 9.81 + 0.7005)
0.045 + 0.07521 exp
:
1
0,0048
0,0058231
c
33
= 10.1
v
u
u
t
(0.0388 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.045 + 0.07521 exp(
:
1
0,0048
0,0058231
)
c
44
= 100.6067((0.388)
v
u
u
t
0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.045 + 0.07521 exp(
:
1
0,0048
0,0058231
)
)
/
1
= 133
v
u
u
t
0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.045 + 0.07521 exp(
:
1
0,0048
0,0058231
)
donde
n =
1
/
1
[c
1
c
22
c
33
c
44
+/
1
(.
1
:c,
jccici ca
) +/
2
.
2
+/
3
.
3
+n
..)
+n
..j
]
(5.117)
Con:
5.5 Simulaciones 95
/
1
= 125
/
2
= 75
/
3
= 15
(5.118)
Para la red neuronal en regulacin como en seguimiento, se utilizaron los siguientes
parmetros:
n
..)
= \
)
o (5.119)
\
)
= /
&
0.2
1 + exp(0.3r
1
)
0.8
1 + exp(r
2
)
0.6,
1 + exp(r3)
(c::o:) (5.120)
o =
0.2
1 + exp(0.3r
1
)
0.8
1 + exp(r
2
)
0.6,
1 + exp(r3)
(2)
y
n
..j
= \
j
o (5.121)
\q = /
j
0.8,
1 + exp(r
1
)
0.1
1 + exp(r
2
)
0.8,
1 + exp(r
3
)
0.1
1 + exp(r
2
)
0.8,
1 + exp(r
3
)
donde /
&
= 8.89 10
9
. /
j
= 9 10
9
c::o: = :c,
jccici ca
jo:ici o: (5.123)
Regulacin
1 Con condicin inicial escalar en los pesos \
)
(0) = 780 y \
j
(0) = 380
La referencia usada es una onda cuadrada con 0.3 de amplitud y una frecuencia de 0.04
ms un trmino de bias de 0.4.
96 Control de levitacin magntica con compensacin neuronal.
0 20 40 60 80
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.9: Regulacion de la posicin con compensacin neuronal.
En la gura (5.9) no se tiene buena regulacin cuando los parmetros f y g de la planta
son desconocidos, y adems hay que recordar que es muy dicil sintonizar la compensacin
moviendo los valores de los pesos iniciales y de los parmetros de la planta, como se ve en
esta ilustracin.
2 Con condicin inicial escalar en los pesos \
)
(0) = 780 y \
j
(0) = 350
El resultado en la gura (5.10)se puede apreciar una buena regulacin y es bastante
aproximado a la referencia el cual est dada. No se puede tener una regulacin exacta pero
se puede considerar eciente en el punto de operacin del levitador magntico.
Seguimiento
1 Con valores en los pesos iniciales de \
)
(0) = 780 y \
j
(0) = 380
Al igual que:
:c,
jccici ca
= 0.3 sin(0.04t) + 0.4 (5.124)
5.5 Simulaciones 97
0 20 40 60 80
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.10: Regulacion de la posicin con compensacin neuronal
Con estos pesos iniciales se puede observa en la grca (5.11) que no es bueno el seguimien-
to con compensacin, es por eso que hay que modicarle los pesos a la red neuronal.
2 Con valores en los pesos iniciales de \
)
(0) = 780 y \
j
(0) = 350
En la ilustracin (5.12) se tiene una mejor aproximacin con respecto al seguimiento se
obtuvo con estos pesos iniciales, al igual que las otras grcas su aproximacin es consider-
able.
Seal de error
Con esta gura (5.13) se puede ver que la seal de error esta acotado en valores pequeos,
por lo tanto se cumple con la prueba del teorema y mi error esta acotado uniformemente.
98 Control de levitacin magntica con compensacin neuronal.
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.11: Seguimiento de la posicin
5.5 Simulaciones 99
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.12: Seguimiento de la posicin
0 20 40 60 80 100
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
Seal de error
Figura 5.13: Error de aprendizaje
100 Control de levitacin magntica con compensacin neuronal.
5.5.3. Regulacin y seguimiento cuando f es desconocida con red
neuronal multicapa
Ecuaciones para la planta lineal y el control no lineal
Las ecuaciones de la planta para simulacin son:
.
1
= .
2
(5.125)
.
2
= .
3
.
3
= (c
1
+c
2
+c
3
+c
4
) + (/n) +jc:tn:/cci o:
Ecuaciones para el controlador no lineal para simulacin:
c
1
= 171.7298(.
2
+ 0)(.
3
+ 9.81 + 0.7005) (5.126)
c
22
=
1.9(.
3
+ 9.81 + 0.7005)
0.038514 + 0.017521 exp
:
1
0,0048
0,0058231
c
3
= 1.2805
v
u
u
t
(0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.038514 + 0.017521 exp(
:
1
0,0048
0,0058231
)
c
4
= 132.6067((0.3880)
v
u
u
t
0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.038514 + 0.017521 exp(
:
1
0,0048
0,0058231
)
)
/ = 132.6067
v
u
u
t
0.0380 exp(
:
1
+0,0048
0,0058231
)(.
3
+ 9.81 + 0.7005) exp(
:
1
0,0048
0,0058231
)
0.038514 + 0.017521 exp(
:
1
0,0048
0,0058231
)
)
A)o
)
(5.129)
\
)
= 0.0001
0.8
1 + exp(1.5r
1
)
0.5
1 + exp(r
2
)
(5.130)
0.2
1 + exp(1.5r
3
)
(c::o:) (5.131)
o
)
=
0.8
1 + exp(1.5r
1
)
0.5
1 + exp(r
2
)
0.2
1 + exp(1.5r
3
)
n
..\ )
= \
)
A (5.132)
\
)
=
exp(r
1
)
0.5 + exp(r
1
)2
exp(r
2
)
(0.8 + exp(r
2
)) (0.7 + exp(r
2
))
(5.133)
exp(r
3
)
(0.8 + exp(2r
3
)) (0.8 + exp(4r
3
))
(5.134)
(0.8 + exp(4r
3
))) (0.000005) (c::o:)
donde
c::o: = :c,
jccici ca
jo:ici o: (5.135)
Regulacin
1 Con valores en los pesos iniciales \
)
(0) = 100 y \
)
(0) = [1.5. 1. 1.5]
102 Control de levitacin magntica con compensacin neuronal.
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.14: Regulacin de posicin
5.5 Simulaciones 103
0 20 40 60 80 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.15: Regulacin de la posicin
Y la referencia usada es una onda cuadrada con 0.3 de amplitud y una frecuencia de 0.03
ms un trmino de bias de 0.4.
En el dibujo (5.14) la seal de regulacin para redes multicapa es un poco mas eciente
pero con mas tiempo para alcanzar la referencia deseada, como se ilustra aqu en donde la
regulacin es muy pobre.
2 Con valores en los pesos iniciales \
)
(0) = 182 y \
)
(0) = [1.5. 1. 1.5]
La regulacin en la gura (5.15) es muy aproximada y eciente a la referencia, aunque no
exacta debido a la complejidad del modelo pero es una de las mejores aproximaciones que
se tienen con respecto a las condiciones dadas en los pesos iniciales.
Seguimiento
1 Con valores en los pesos iniciales \
)
(0) = 100 y \
)
(0) = [1.5. 1. 1.5]
104 Control de levitacin magntica con compensacin neuronal.
0 10 20 30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.16: Seguimiento de la posicin
El cual la referencia esta dada por:
:c,
jccici ca
= 0.3 sin(0.03) + 0.4 (5.136)
El resultado (5.16) obtenido tiene una seguimiento muy pobre con los pesos iniciales
dados, es por eso que el ajuste se logra encontrando los valores apropiados para tener un
mejor seguimiento.
2 Con valores en los pesos iniciales \
)
(0) = 182 y \
)
(0) = [1.5. 1. 1.5]
Aunque en la grca (5.17) no se puede ver una seguimiento exacto debido a la comple-
jidad del modelo pero es mejor al obtenido en la grca (5.16).
Seal de error
La seal de error de aprendizaje para la red neuronal ,ver gura (5.18), muestra que el
error esta acotado , por lo tanto se cumple con los parmetros de la simulacin anteriormente
5.5 Simulaciones 105
0 10 20 30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
P
o
s
i
c
i
n
e
n
c
m
t en segundos
Posicin
Referencia
Figura 5.17: Seguimiento de la posicin
106 Control de levitacin magntica con compensacin neuronal.
0 20 40 60 80 100
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
t en segundos
Seal de error
Figura 5.18: Seal de error de aprendizaje.
dadas.
5.5.4. Conclusin
En este capitulo se obtuvieron resultados aproximados a la teora de redes neuronales
propuesta y al comportamiento del levitador magntico, se dan todas la simulaciones en lazo
cerrado y el desempeo del compensador al controlador no lineal se reeja en las grcas, y
para la regulacin y seguimiento se ve como el error esta acotado uniformemente sin incluir
a la velocidad ni la corriente, y mas este ultimo que es dicil de manipular y poder aplicarlo
realmente, es una fuerte no linealidad.
Lo que se debe de tomar en cuenta es que:
Un controlador no lineal compensado es fcil de implementar.
El entrenamiento de la red y encontrar el parmetro del peso de la red es algo compli-
cado ya que la compensacin toma tiempo para que la posicin alcance una referencia
5.5 Simulaciones 107
deseada.
No se tiene mucha eleccin para tomar cualquier valor o valores alejados al encontrar
el peso ideal que compense bien al comportamiento de la posicin, los valores solo se
pueden mover en cantidades pequeas.
Todas las simulaciones hechas estn apegadas al rango de operacin del levitador para
poder tener una buena comparacin con el prototipo real.
Aunque despus de estas consideraciones tambin es necesario comentar que los parmet-
ros de simulaciones tambin son estrictamente restringidos para obtener respuestas aproxi-
madas y cercanas al comportamiento real del levitador de laboratorio, ya se vern estos mas
adelante y asi poder concluir que las simulaciones obtenidas son aceptables.
Captulo 6
Aplicacin real
El prototipo experimental de levitacin magntica permite al usuario poner a operacin
el controlador PID, el cual ya viene denida por los fabricantes. La posicin de la esfera es
ajustada mediante la sintonizacin de los parmetros del controlador y el movimiento de un
tornillo de ajuste, aunque dicho prototipo presenta varias desventajas en la medicin, esta
hecho para tener seales ecientes en el rango de operacin. En este capitulo se introduce
una descripcin particular de las partes fsicas que constituyen el montaje del prototipo
experimental, y nalmente se realizan simulaciones en tiempo real con un controlador no
lineal diseado en captulos anteriores y una red neuronal para compensar en este caso al
controlador PID, ya que es dicil tener un controlador no lineal que cancela las no linealidades
de la planta real.
6.1. Sistema de Levitacin Magntica de Laboratorio
Experimental
El sistema de levitacin magntica MLS (ver gura 6.1) es un completo sistema de control
de laboratorio listo para experimentos.. EL MLS consiste de un electroimn, la esfera hueca
de acero levitada, el sensor de posicin de la esfera, tarjeta de interface de la computadora a
110 Aplicacin real
los dispositivos, una unidad de acondicionamiento de seal, cables de conexin, toolbox de
control de tiempo real y un manual de laboratorio. Se trata de un sistema de nico grado de
libertad para la enseanza de los sistemas de control; anlisis de seal, aplicaciones de control
en tiempo real tal como MATLAB. El MLS es un sistema no lineal y dinmico variante en
el tiempo e inestable en lazo abierto. El principio bsico de operacin del MLS consiste
en aplicar el voltaje a un electroimn para detener un objeto ferromagnetico levitado. La
posicin del objeto esta determinado a traves de un sensor. Adicionalmente la corriente de
la bobina es medida para explorar la estrategia de identicacin y control no lineal o de
lazo mltiple. Para levitar la esfera se requiere un controlador en tiempo real. La fase de
equilibrio de las dos fuerzas (la gravitacional y la electromagntica) se tiene que mantener
por este controlador para detener la esfera en una distancia deseada del imn. Cuando dos
electroimanes son utilizados, el inferior puede ser usado para una excitacin externa o como
unidad de contraccin. Esta caracterstica extiende la aplicacin del MLS y es til en el
diseo de controladores robustos. La posicin de la esfera puede ser ajustada usando un
control de punto de ajuste y la estabilidad es variada mediante un control de ganancia. El
ancho de banda de la compensacin principal puede ser cambiado y la estabilidad y el tiempo
de respuesta son investigados.
Adems, los cambios de los parmetros de la planta , tales como el cambio de suspensin
de la masa y las variaciones de la resistencia e inductancia debido debido al calor magntico,
tambin se deben de tomar en cuenta. Se hace una descripcin general del sistema de
levitacin magntica, por medio de la cual se conocer el funcionamiento de cada una de las
partes que lo constituyen (ver gura 6.2).
1. Sistema de medicin: Es la etapa encargada de medir la posicin del objeto a levitar,
y con esta informacin retroalimentar a la etapa de control. Este sistema esta construido
con sensores y receptores de luz normal.
2. Sistema de control: Este sistema es el encargado de regular la posicin del objeto, en
base a la informacin recibida por el sistema de medicin y a una referencia previamente
establecida.
6.1 Sistema de Levitacin Magntica de Laboratorio Experimental 111
Figura 6.1: Prototipo del Sistema de Levitacin Magntica
Acondicionamiento
de la
seal
Sistema electrnico
(control)
Convertidor
Voltaje-corriente
Fuente de
alimentacin
Inductor
Esfera
x
Alimentacin de
voltaje para los leds
infrarrojos
Emisor
Rayos
infrarrojos
Receptor
de
Rayos
infrarrojos
Figura 6.2: Esquema de Levitacin Magntica
112 Aplicacin real
3. Sistema de induccin magntica: Consiste en suministrar la fuerza magntica nece-
saria que se induce en el objeto, con el n de contrarrestar la fuerza de gravedad y
mantener un equilibrio de fuerzas. Cabe mencionar que la fuerza que es generada por
este sistema vara dependiendo de la posicin en que la esfera se encuentre suspendida
e inmvil.
4. Sistema de acondicionamiento de seal: Este sistema es el encargado de adecuar
e interpretar las seales que suministran los diferentes sistemas que conforman este
prototipo, con el n de que puedan ser procesadas adecuadamente.
5. Sistema de potencia: Este etapa es la encargada de transformar las seales de con-
trol de bajo voltaje y baja corriente en seales tiles para el actuador, para en este
caso en particular, se transforman en corrientes elctricas, que circulan a traves de un
electroimn.
6. Sistema de computo: Es el encargado de procesar toda la informacin entrada-
salida, la cual determina la situacin del estado en que se encuentra el sistema. Es
conveniente mencionar, que este sistema de levitacin tiene una dinmica rpida, en-
tonces la velocidad de respuesta de esta etapa debe ser muy alta y de un ancho de
banda grande
6.1.1. Caractersticas del sistema
Las caractersticas principales del sistema son las siguientes (gura 6.3):
Esta construido de material de aluminio.
Una fuente de alimentacin.
Una tarjeta de adquisicin de datos.
Contiene tres objetos ferromagnticos (esferas) con diferentes pesos.
Fotodetector para sensar la posicin del objeto.
6.1 Sistema de Levitacin Magntica de Laboratorio Experimental 113
Sensor de corriente para la bobina.
Un sistema altamente no lineal ideal para ilustrar algoritmos de control complejos.
El sistema no presenta efectos de friccin.
El montaje esta completamente integrada con MATLAB/Simulink y opera en tiempo
real.
Figura 6.3: Componentes no ensambladas.
114 Aplicacin real
6.1.2. Aplicaciones tpicas para enseanza
Las aplicaciones del prototipo pueden ser enfocadas a:
Para identicacin de sistemas
Diseo de controladores SISO, MIMO y BIBO.
Control Adaptable/Inteligente
Anlisis de frecuencia
Control no lineal.
Control en tiempo real.
Control PID en lazo cerrado.
6.1.3. Elementos fsicos del sistema
6.1.4. Optoacoplador
Un optoacoplador combina un dispositivo semiconductor formado por un fotoemisor y un
fotoreceptor . Entre ambos se forma una trayectoria de luz. Estos elemento se encuentran por
lo general en un encapsulado de plstico. Este dispositivo es capaz de detectar los cambios de
la posicin de la esfera sobre el eje . pero es insensible con respecto a cualquier movimiento
sobre el plano r .
El emisor (fotoemisor) y el detector (fotoreceptor) se encuentran jamente integrados
sobre el dispositivo de levitacin magntica, de tal manera que existe un rayo de luz infrarroja
constante entre ellos. La esfera en levitacin se encuentra entre el emisor y el detector ( gura
6.4), por lo tanto la nica variacin de la intensidad de luz infrarroja que es reejada en el
detector depende exclusivamente de la posicin del objeto en el eje vertical. Como resultado
de esto, es posible obtener una relacin no lineal del voltaje generado entre las terminales de
6.1 Sistema de Levitacin Magntica de Laboratorio Experimental 115
x
y
z
R
R
V
I
V
Figura 6.4: Sistema de medicion con fotoemisor y fotoreceptor
captor, contra la posicin de la esfera, con una precisin adecuada para las condiciones que
requieran para el buen funcionamiento de este prototipo.
Por medio de un procedimiento experimental se obtuvo la relacin no lineal entre la
salida del sensor (voltaje) y la posicin del objeto a levitar Este experimento consisti en
colocar la esfera a una determinada posicin a travs del haz infrarrojo y registrar el nivel
del voltaje a la salida de los fotodetectores, obteniendo una tabla y una representacin en el
plano coordenado (v/m).
6.1.5. Tarjeta de adquisicin de datos
La adquisicin de datos, consiste en la toma de muestras del mundo real (sistema analgi-
co) para generar datos que puedan ser manipulados por un ordenador (sistema digital).
Consiste, en tomar un conjunto de variables fsicas, convertirlas en tensiones elctricas y
digitalizarlas de manera que se puedan procesar en una computadora . Se requiere una etapa
de acondicionamiento, que adeca la seal a niveles compatibles con el elemento que hace
la transformacin a seal digital. El elemento que hace dicha transformacin es el mdulo o
tarjeta de adquisicin de datos. En este caso es realizar la cuenta de los pulsos provenientes
del sensor y como es parte de un sistema de control, por lo tanto la informacin recibida se
procesa para obtener una serie de seales de control.
116 Aplicacin real
Figura 6.5: Diagrama fsico de la tarjeta de adquisicin de datos RT-DAC4/PCI
La tarjeta de adquisicin de datos para el prototipo que interacta con el levitador (gura
6.5) es la tarjeta RT-DAC4/PCI de INTECO, el cual consta de las siguientes caractersticas:
1. 16 entradas y 4 salidas analgicas.
2. Amplicador analgico de 1, 2, 4, 8 y 16 volts.
3. 32 entradas digitales I/O para propsitos generales.
4. 4 salidas de PWM.
5. 4 entradas de encoder incrementales, contadores y temporizadores de 32 bits, y gener-
ador de seal digital con mxima frecuencia de salida de 20 MHz.
6. controlador de interruptor.
Esta tarjeta de adquisicin de datos se encuentra instalado en una computadora marca
DELL que puede trabajar con Windows 98/2000/NT/XP. El diagrama de bloques se muestra
en la siguiente gura:
6.1 Sistema de Levitacin Magntica de Laboratorio Experimental 117
Figura 6.6: Conexin de la tarjeta de aquisicion de datos con el levitador
118 Aplicacin real
Signal
Generator
Magnetic Levitation
System
MagLev - system
Control and States
0.007
Desired position [m] PID
Controller
Position [m]
Velocity [m/s]
Current [A]
Control
Figura 6.7: Experimento PID en tiempo real.
6.2. Control PID
6.2.1. Regulacin
Todos los experimentos pueden ser repetidos como experimentos en tiempo real. En este
trayecto uno puede vericar la exactitud del modelo. A continuacin se muestra un diagrama
a bloques en Simulink el cual es utilizado para las pruebas en tiempo real.
1. Simulacin en tiempo real con una esfera de 0.0243 kg.
La referencia esta dada por
:c,
jccici ca
= 0.002 sin(0.25t) + 0.007 (6.1)
6.2 Control PID 119
0 5 10 15 20
0
1
2
3
4
5
6
7
8
x 10
-3
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Referencia
Posicin
Figura 6.8: Simulacin en tiempo real de la posicin.
La ganancia del controlador PID son
1
j
= 200 (6.2)
1
1
= 1
1
1
= 10
2. Simulacin en tiempo real con una esfera de 0.0413 kg
La referencia esta dada por
:c,
jccici ca
= 0.002 sin(0.25t) + 0.007 (6.3)
La ganancia del controlador PID son
1
j
= 300 (6.4)
1
1
= 10
1
1
= 10
120 Aplicacin real
0 5 10 15 20
-200
0
200
400
600
800
t en segundos
V
e
l
o
c
i
d
a
d
e
n
m
/
s
Velocidad
Figura 6.9: Simulacin en tiempo real de la velocidad.
6.2 Control PID 121
0 5 10 15 20
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
t en segundos
C
o
r
r
i
e
n
t
e
e
n
a
m
p
e
r
e
s
Corriente
Figura 6.10: Simulacin en tiempo real de la corriente.
122 Aplicacin real
0 5 10 15 20
0
0.2
0.4
0.6
0.8
1
t en segundos
Control PWM
Figura 6.11: Simulacin en tiempo real del control PWM.
6.2 Control PID 123
0 5 10 15 20 25 30
0
0.002
0.004
0.006
0.008
0.01
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Referencia
Posicin
Figura 6.12: Simulacin en tiempo real de la posicin.
Se puede constatar que de los resultados de las guras (6.12), (6.13), (6.14) y (6.15) no
pueden arrojar buenos resultados como los de las guras (6.8), (6.9), (6.10) y (6.11), adems
la corriente disminuye , quizs por el tamao de la esfera o las propiedades del electroimn,
pero en cuestin de regulacin , de la esfera de 0.0243 kg con respecto a la posicin de la
esfera de 0.0413 kg , ste tiene mas vibracin , por lo tanto es mejor con la segunda esfera ,
aunque los dos se aproximan mucho a la referencia que opera en el punto de operacin.
6.2.2. Conclusin
El desempeo para el controlador PID que es con el que fue construido el prototipo,
responde bien a la regulacin , pero es mas dicil el control para el seguimiento, las carac-
tersticas del dispositivo y conforme a la sintonizacin de las ganancias del controlador que
se desconocen (quizs una aproximacin del termino derivativo por un ltro de primer orden
o sintonizacin al tanteo o mtodo de ziegler-nichols ) se puede apreciar un comportamiento
124 Aplicacin real
0 5 10 15 20 25 30
-200
0
200
400
600
800
t en segundos
V
e
l
o
c
i
d
a
d
e
n
m
/
s
Velocidad
Figura 6.13: Simulacin en tiempo real de la velocidad.
muy eciente. Pero es importante recordar que todo el prototipo asi como los sensores y el
electroimn, le afectan en la temperatura del electroimn para diferentes lapsos de tiempo.
6.3. Control no lineal
6.3.1. Regulacin
Debido a la complejidad del prototipo experimental, se opt solo por realizar simulacin
en tiempo real para el caso de control no lineal en forma de seal de regulacin sin tomarse en
cuenta la de seguimiento, ya que es demasiado dicil estabilizarlo y realmente la cancelacin
de las no linealidades es imposible de realizar, el cual es imposible, adems el controlador
que se utiliz es el generado en esta tesis y fue acoplada al modelo real del levitador. Para
la simulacin en tiempo real las ecuaciones del controlador no lineal son:
6.3 Control no lineal 125
0 5 10 15 20 25 30
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
t en segundos
C
o
r
r
i
e
n
t
e
e
n
a
m
p
e
r
e
s
Corriente
Figura 6.14: Simulacin en tiempo real de la corriente.
126 Aplicacin real
0 5 10 15 20 25 30
0
0.2
0.4
0.6
0.8
1
t en segundos
Control PWM
Figura 6.15: Simulacin en tiempo real del control PWM.
c
1
= 4.5246 10
3
(r
2
3
r
2
exp(
r
1
0.0058231
)) (6.5)
c
2
=
52.6949(r
2
3
exp(
a
1
0,0058231
)
0.038514 + 0.017521 exp(
a
1
0,0058231
)
c
3
=
1.2805(r
3
exp(r
1
,0.0058231))
0.038514 + 0.017521 exp(
a
1
0,0058231
)
c
4
=
132.6067(0.3321r
3
exp(
a1
0,0058231
)
0.038514 + 0.017521 exp(
a
1
0,0058231
)
/ =
132.6067(r
3
exp(
a
1
0,0058231
)
0.038514 + 0.017521 exp(
a
1
0,0058231
)
donde la ley de control es:
6.3 Control no lineal 127
Figura 6.16: Simulacin de la esfera en el prototipo experimental.
128 Aplicacin real
Figura 6.17: Esfera levitada en el prototipo experimental.
6.3 Control no lineal 129
Figura 6.18: Esfera levitada en el laboratorio en tiempo real.
130 Aplicacin real
Signal
Generator
Magnetic Levitation
System
MagLev - system
Control and States
0.1
Gain
x1
x2
x3
r
u estado
Embedded
MATLAB Function2
0.005
Desired position [m]
Position [m]
Velocity [m/s]
Current [A]
Control
Figura 6.19: Diagrama de bloques del prototipo experimental para regulacin.
n =
1
/
"
c
1
c
2
c
3
c
4
+/
1
(r
1
:c,c:c:cic) +/
2
r
2
+/
3
(26.3474r
2
3
exp(
a
1
0,0058231
) + 9.81)
#
(6.6)
Usando las siguientes ganancias para la retroalimentacin:
/
1
= 125
/
2
= 75
/
3
= 15
(6.7)
1. Para la simulacin del controlador no lineal se tiene el siguiente diagrama utilizado con
el controlador no lineal de la tesis el cual en el primer caso es para una esfera de 0.0243
kg.
Utilizando una referencia como:
:c,
jccici ca
= 0.001 sin(0.25t) + 0.005 (6.8)
Las imgenes de posicin (6.20), velocidad (6.21), corriente (6.22) y control (6.23) obtenidas
no son los mejores al de obtenidos con PID ,pero se tomo en cuenta para probar la eciencia
6.3 Control no lineal 131
0 5 10 15 20
0
1
2
3
4
5
6
7
8
x 10
-3
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Referencia
Posicin
Figura 6.20: Regulacin de la posicin experimental.
132 Aplicacin real
0 5 10 15 20
-300
-200
-100
0
100
200
300
400
t en segundos
V
e
l
o
c
i
d
a
d
e
n
m
/
s
Velocidad
Figura 6.21: Seal de velocidad en tiempo real.
6.3 Control no lineal 133
0 5 10 15 20
-0.5
0
0.5
1
1.5
2
2.5
t en segundos
C
o
r
r
i
e
n
t
e
e
n
a
m
p
e
r
e
s
Corriente
Figura 6.22: Seal de corriente en tiempo real.
134 Aplicacin real
0 5 10 15 20
0
0.2
0.4
0.6
0.8
1
t en segundos
C
o
n
t
r
o
l
P
W
M
Control PWM
Figura 6.23: Seal de control en tiempo real.
6.3 Control no lineal 135
Signal
Generator
Magnetic Levitation
System
MagLev - system
Control and States
0.1
Gain
x1
x2
x3
r
u estado
Embedded
MATLAB Function2
0.003
Desired position [m]
Position [m]
Velocity [m/s]
Current [A]
Control
Figura 6.24: Diagrama en bloques de simulink del prototipo experimental.
de los controladores que se estn implementando en el prototipo experimental y ver cual de
todos presentan un mejor rendimiento con respecto al desplazamiento de la esfera.
2. El diagrama utilizado para el control no lineal pero con una esfera de 0.0413 kg.
Usando una referencia de :
:c,
jccici ca
= 0.001 sin(0.25t) + 0.003 (6.9)
En la gura (6.25) se puede ver como se logra la regulacin sin proporcionar un rebote
mas fuerte que el de la esfera de 0.0243 kg, aunque igual vibra y dentro de las guras
que son velocidad (6.26), corriente (6.27) y control (6.28), se puede observar que tanto la
corriente como el control cambian ,en algunas simulaciones que se experimentaron moviendo
los parmetros, es muy dicil de estabilizar en tiempo real., estos son los resultados mas
cercanos a la simulacin terica que se obtuvieron.
6.3.2. Conclusin
Cabe mencionar que solo se implement el controlador no lineal en tiempo real en el
proceso de regulacin mas no de seguimiento, ya que es difcil eliminar las no linealidades
136 Aplicacin real
0 2 4 6 8 10
0
1
2
3
4
5
x 10
-3
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Referencia
Posicin
Figura 6.25: Regulacin de la posicin en tiempo real.
6.3 Control no lineal 137
0 2 4 6 8 10
-200
-100
0
100
200
300
400
500
t en segundos
V
e
l
o
c
i
d
a
d
e
n
m
/
s
Velocidad
Figura 6.26: Seal de velocidad en tiempo real.
138 Aplicacin real
0 2 4 6 8 10
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
t en segundos
C
o
r
r
i
e
n
t
e
e
n
a
m
p
e
r
e
s
Corriente
Figura 6.27: Seal de corriente en tiempo real.
6.3 Control no lineal 139
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
t en segundos
C
o
n
t
r
o
l
P
W
M
Control PWM
Figura 6.28: Seal de control en tiempo real.
140 Aplicacin real
de un planta real, con un esfera de 0.0243 kg los resultados no fueron buenos en el sentido
que rebota mucho entre el electroimn y el soporte, al contrario con la esfera de 0.0413
kg fue menos el rebote y por ende las ilustraciones lo comprueban, por lo tanto, es dicil
estabilizar a un sistema altamente no lineal con este tipo de controlador y mas por el pequeo
desplazamiento que se tiene.
6.4. Control con redes neuronales
Para llevar a cabo la simulacin en tiempo real del levitador con redes neuronales, debido
a la complejidad del control no lineal, se empleo el controlador PID de la planta real y se la
aadi una red neuronal, se emple la misma red tanto para regulacin como seguimiento,
el cual es el siguiente:
Para la red neuronal en regulacin como en seguimiento, se utilizaron los siguientes
parmetros:
n
..)
= \
)
o (6.10)
\
)
= (1)
3
1 + exp(r
1
)
1
1 + exp(r
2
)
2
1 + exp(r
3
)
0.1
(c::o:) (6.11)
o =
3
1 + exp(r
1
)
1
1 + exp(r
2
)
2
1 + exp(r
3
)
0.1
(2)
6.4.1. Regulacin
Con una esfera de hierro de peso 0.0234 kg. Para la referencia de la simulacin en tiempo
real se utiliz el siguiente:
:c,
jccici ca
= 0.001 sin(0.25t) + 0.005 (6.12)
y el peso inicial
\ (0) = 0.001 (6.13)
6.4 Control con redes neuronales 141
In1
error
In2
In3
NN
red neuronal
Signal
Generator
Magnetic Levitation
System
MagLev - system
Control and States
0.1
Gain
0.005
Desired position [m]
PID
Controller
Position [m]
Velocity [m/s]
Current [A]
Control
Figura 6.29: Diagrama de bloques en simulink del PID mas una red neuronal.
142 Aplicacin real
0 10 20 30 40 50 60 70 80
0
1
2
3
4
5
6
7
8
x 10
-3
t en segundos
Referencia
Posicin
Posicin en mm
Figura 6.30: Regulacin de la seal de posicin con redes neuronales.
Las guras (6.30), (6.31), (6.32) y (6.33) son la regulacin de la posicin , la velocidad, la
corriente y el control PWM del actuador, respectivamente. Se puede notar que con las redes
neuronales la regulacin es muy exacta, aunque las seales sean muy ruidosas, eso es debido
a la complejidad de la planta, pero en realidad , tuvo un funcionamiento adecuado.
6.4.2. Seguimiento
Para la etapa de seguimiento, como se ha mencionado anteriormente, es la misma red
neuronal el que se utilizo en regulacin, la referencia esta dada por:
:c,
jccici ca
= 0.001 sin (0.25t) + 0.0054 (6.14)
La gura (6.35 ) muestra que el seguimiento con la red neuronal que compensa al contro-
lador PID esta acoplado al rango de operacin , aunque es posible mejorar su desempeo, es
dicil debido a las caractersticas fsicas del sistema y tambin a su construccin. Las guras
6.4 Control con redes neuronales 143
0 10 20 30 40 50 60 70 80
-300
-200
-100
0
100
200
t en segundos
Velocidad
Velocidad en m/s
Figura 6.31: Seal de velocidad en tiempo real.
144 Aplicacin real
0 10 20 30 40 50 60 70 80
0
0.5
1
1.5
2
t en segundos
Corriente en amperes
Corriente
Figura 6.32: Seal de corriente en tiempo real.
6.4 Control con redes neuronales 145
0 10 20 30 40 50 60 70 80
0
0.2
0.4
0.6
0.8
1
t en segundos
Control PWM
Control PWM
Figura 6.33: Seal de control en tiempo real.
146 Aplicacin real
In1
error
In2
In3
NN
red neuronal
Signal
Generator
Magnetic Levitation
System
MagLev - system
Control and States
0.1
Gain
0.0054
Desired position [m]
PID
Controller
Position [m]
Velocity [m/s]
Current [A]
Control
Figura 6.34: Diagrama en bloques de simulink del prototipo experimental de PID mas redes
neuronales.
6.4 Control con redes neuronales 147
0 5 10 15 20 25 30 35
0
1
2
3
4
5
6
7
8
x 10
-3
t en segundos
P
o
s
i
c
i
n
e
n
m
m
Referencia
Posicin
Figura 6.35: Seguimiento de la posicin en tiempo real de PID con redes neuronales.
148 Aplicacin real
0 5 10 15 20 25 30 35
-200
0
200
400
600
800
t en segundos
V
e
l
o
c
i
d
a
d
e
n
m
/
s
Velocidad
Figura 6.36: Seal de velocidad en tiempo real.
6.4 Control con redes neuronales 149
0 5 10 15 20 25 30 35
-0.5
0
0.5
1
1.5
2
2.5
C
o
r
r
i
e
n
t
e
e
n
a
m
p
e
r
e
s
t en segundos
Corriente
Figura 6.37: Seal de corriente en tiempo real.
150 Aplicacin real
0 5 10 15 20 25 30 35
0
0.2
0.4
0.6
0.8
1
t en segundos
C
o
n
t
r
o
l
P
W
M
Control PWM
Figura 6.38: Seal de control en tiempo real.
6.4 Control con redes neuronales 151
(6.36),(6.37) y (6.38) muestran la velocidad, la corriente y control PWM respectivamente,
aunque la corriente tenga diferentes mediciones para distintos puntos de seguimiento, su
respuesta se comporta conforme al movimiento de la esfera.
6.4.3. Conclusin
Para la simulacin en tiempo real de las redes neuronales se manipularon los parmetros
de la red a valores pequeos como por ejemplo para las ganancias y los pesos, los resulta-
dos que se obtuvieron fueron posicionando la esfera cerca del actuador, con respecto a la
regulacin se pudo observar como el aprendizaje de los pesos de la red va alcanzando a la
referencia y compensar al controlador PID. Al nal, la compensacin neuronal result no-
tablemente mejor que el utilizado solo con controlador PID ya que ste es mas eciente para
regulacin que para seguimiento.
Captulo 7
Conclusiones y trabajos a futuro
Cada vez es notable el avance de la ciencia y la tecnologa y progresivamente en varios
campos de inters. El rea de levitacin magntica es un rea reciente y contiene caracters-
ticas propias que lo hacen mas interesante y esta muy aplicado a trenes de alta velocidad.
sta tesis describi el modelo matemtico aproximado al levitador de laboratorio , el cual
se describe el comportamiento fsico del levitador asi como las principales partes electrni-
cas, digitales , analgicas. y de potencia, adems, se describe detalladamente el proceso de
formacin del modelo y el cambio de coordenadas en su forma cannica controlable para el
diseo del controlador. Para el diseo del controlador no lineal , PID se utilizaron tcnicas
de diseo analticas clsicas y las redes neuronales como compensador mejoraron las salidas
de posicin real , y en el caso terico aplicado al controlador no lineal y en el caso practico
aplicado al controlador PID. En el prototipo experimental se obtuvieron resultados indirec-
tos que se observaron en la computadora por el sistema de medicin que son los sensores
de luz normal y mediante una tarjeta de adquisicin de datos, lo cual daba resultados de la
posicin de la esfera para distintos puntos de equilibrio en el rango de operacin.
Algunos aspectos que se pueden mencionar en este trabajo son:
El modelo matemtico no estaba en su forma cannica controlable, por lo tanto, se
utilizo un cambio de coordenadas por medio de mtodos de anlisis clsicos, es un
sistema no lineal de tercer orden y lo mas importante es que se toman las tres variables
154 Conclusiones y trabajos a futuro
que interactan en el funcionamiento del prototipo, que son la posicin, la corriente
y la velocidad asi como el control PWM del electroimn, eso hace mas dicil en las
pruebas experimentales.
Algunas dinmicas no modeladas como la temperatura del actuador que es debido a que
trabaja con corriente directa y conforme se incrementa los lapsos de tiempo, se sobre-
calienta el solenoide por la circulacin de la corriente directa, asi como las propiedades
de corrientes de remolino, resistencia en la bobina, reluctancia magntica, permeabil-
idad magntica, etc,y otra importante, que es la iluminacin externa que de alguna
manera afecta signicativamente a la medicin del objeto levitado y el movimiento
horizontal que no se contempla en el modelo.
Para cuestiones de experimentacin se utilizaron tiempos de muestreo pequeos de-
bido a la dinmica rpida del prototipo asi como el controlador debe acoplarse a ese
comportamiento.
Cuando la esfera levitada se encuentra en algn punto de equilibrio, es muy sensible a
un cambio interno o externo.
El control no lineal que se propone en la tesis, al implementarlo en el prototipo ex-
perimental responde de manera muy deciente y no se puede sintonizar mucho los
parmetros ya que es muy inestable su comportamiento.
Algunas propuestas para el mejoramiento del desempeo del levitador son las siguientes:
Usar un sistema de medicin mas robusta e insensible a los cambios de iluminacin del
ambiente con el objetivo de tener mediciones mas exactas, reemplazando los sensores
de luz normal por sensores infrarrojos o ultrasnicos.
Obtener un modelo que considere las dinmicas no modeladas.
Sustituir la fuente de corriente directa por el de corriente alterna o frecuencial para
evitar el calentamiento de la bobina.
155
Algunos trabajos a futuro que se pueden retomar de esta tesis podran ser :
El movimiento del objeto levitado esta restringido a un movimiento vertical. Una
aportacin importante a futuro seria considerar un movimiento horizontal y rotacional
en una determinada regin del espacio de operacin.
Comparar estos resultados con un sistema de levitacin de repulsin.
Utilizar otros mtodos de control para la posicin como pasividad, modos deslizantes,
control difuso , perturbaciones singulares, etc.
Bibliografa
[1] W. Barie and J. Chiasson, Linear and nonlinear state-space controllers for magnetic
levitation, Int. J. Syst. Sci., vol. 27, pp. 11531163, 1996
[2] B. R. Barmish, New Tools for Robustness of Linear Systems. New York: Macmillan,
1994.
[3] Noel Barry and Richard Casey, Elihu Thomsons Jumping Ring in a Levitated Closed-
Loop Control Experiment, IEEE Transactions on Education, vol. 42, February 1999,
pp. 72-79.
[4] A. Behal, B. Costic, D. Dawson, and Y. Fang, Nonlinear control of magnetic bearing in
the presence of sinusoidal disturbance, in IEEE Proc. Amer. Control Conf., Arlington,
VA, Jun. 2001, pp. 36363641.
[5] D.S. Broomhead and D. Lowe, Multivariable functional approximation and adaptive
networks, Complex systems, vol. 2, 1988.
[6] A. Charara, J. D. Miras, and B. Caron, Nonlinear control of a magnetic levitation
system without premagnetization, IEEE Trans. Contr. Syst. Technol., vol. 4, pp. 513
523, Sept. 1996.
[7] D. Cho, Y. Kato, and D. Spilman, Sliding mode and classical control magnetic levita-
tions systems, IEEE Contr. Syst. Mag., vol. 13, pp. 4248, Feb. 1993.
158 BIBLIOGRAFA
[8] B. Costic, M. S. de Queiroz, and D. M. Dawson, A new learning control approach
to the active magnetic bearing benchmark experiment, in IEEE Proc. Amer. Control
Conf., Chicago, IL, Jun. 2000, pp. 26392643.
[9] N.J. Dahlen, Magnetic active suspension and isolation,S.M. Thesis, Dept. of Mechan-
ical Engineering, M.I.T., Cambridge M.A., 1980.
[10] David Estrada Duran, Diseo, construccion y control de un sistema de levitacion de dos
grados de libertad, Tesis de maestria, CINVESTAV-IPN, Mxico DF, octubre 2005.
[11] M. S. De Queiroz and D. M. Dawson, Nonlinear control of active magnetic bearings: a
backstepping approach, IEEE Trans. Contr. Syst. Technol., vol. 4, pp. 545552, Sept.
1996.
[12] J. R. Downer Analysis of single axis magnetic suspension systems, S. M. thesis, Dept.
Mech. Eng., Massachusetts Inst. Technol., Cambridge,MA, 1980.
[13] M. Dussaux, The industrial applications of the active magnetic bearings technology,
in Proc. 2nd Int. Symp. Magnetic Bearings, 1990, pp.3338.
[14] F. Rosenblatt, Principles of Neurodynamics, Spartan Books, Washington D.C., 1962.
[15] L. Gentili and L. Marconi, Robust nonlinear regulation for magnetic levitation system,
presented at the IFAC Symp. Nonlinear Control Syst., St. Petersburg, Russia, 2001.
[16] A. E. Hajjaji and M. Ouladsine, Modeling and nonlinear control of magnetic levitation
systems, IEEE Trans. Ind. Electron., vol. 48, pp. 831838, Aug. 2001.
[17] S. Haykin, Neural Network -A comprehensive Foundation, Macmillan College Publ.
Co., New York, 1994.
[18] J. K. Hedrick and Y. Y. Yip, Multiple sliding surface control,: theory and application,
Trans. ASME, J. Dyn. Syst. Meas. Control, vol. 122, pp. 586593, 2000.
BIBLIOGRAFA 159
[19] John Hill, Teaching Electrodynamic Levitation Theory, IEEE Transactions on Edu-
cation, vol. 33, November 1990, pp. 346-354.
[20] K.J. Hunt, D. Sbarbaro, R. Zbikowski and P.J. Gawthrop, Neural Networks for Control
Systems-A Survey, Automatia, vol 28, 1992
[21] W. G. Hurley and W. H. Wole, Electromagnetic design of a magnetic suspension
system, IEEE Trans. Educ., vol. 40, no. 2, pp. 124130, May 1997.
[22] M. Ilic-Spong, R. Marino, S. M. Peresada, and D. G. Taylor, Feedback linearizing
control of switched reluctance motors, IEEE Trans. Automat. Contr., vol. AC-32, pp.
371379, Apr. 1987.
[23] Alberto Isidori, Nonlinear control systems, London , Springer Verlag , 3rd. edition
,1995.
[24] S. Joo and Al, Design and analysis of the non linear feedback linearising controller for
EMS system, in Proc. IEEE Conf. Control Applications, 1994, pp. 2426.
[25] A. J. Joo and J. H. Seo, Design and analysis of the nonlinear feedback linearizing
control for an electromagnetic suspension system, IEEE Trans. Contr. Syst. Technol.,
vol. 5, pp. 135144, Jan. 1997.
[26] B. Z. Kaplan and D. Regev, Dynamic stabilization of tuned-circuit levitators, IEEE
Trans. Magn., vol. MAG-12, pp. 556559, Sept.1976.
[27] C. Y. Kim and K. H. Kim, Gain scheduled control of magnetic suspension systems,
in Proc. IEEE CCA, 1994, pp. 31273131.
[28] M. L. Krstic, M. L. Kanellakopoulos, and P. Kokotovic, Nonlinear and Adaptive Control
Design. NewYork: Wiley, 1995.
[29] Lairi and G. Bloch, Neural control of Maglev system, in Proc. MCEA98, Sept. 1998,
pp. 472475.
160 BIBLIOGRAFA
[30] Leonel Corona Ramirez, Diseo, construccin y control de un sistema de levitacin
magntica, Tesis de maestria, CINVESTAV-IPN, Mxico DF, noviembre 2000.
[31] J. Levine, J. Lottin, and J. Ponsart, A nonlinear approach to the control of magnetic
bearings IEEE Trans. Control Syst. Technol., vol. 4, no. 5, pp. 524544, Sep. 1996.
[32] D. A. Limbert, H. H. Richardson, and D. N.Wormley, Controlled characteristics of fer-
romagnetic vehicle suspension providing simultaneous lift and guidance, Trans. ASME,
J. Dyn. Syst. Meas. Control, vol. 101,pp. 217222, 1990.
[33] Faa-Jeng Lin, Hsin-Jang Shieh, Li-Tao Teng and Po-Huang Shieh, Hybrid Controller
With Recurrent Neural Network for Magnetic Levitation System, IEEE Transactions
on Magnetics , Vol. 41, no. 7, July 2005.
[34] Magnetic Levitation System: Users Manual , version 1.6 for Matlab 6.5, Krakv, March
2005.
[35] R. Marino, S. Peresada, and P. Valigi, Adaptive input-ouput linearising control of
induction motors, IEEE Trans. Automat. Contr., vol. 38, pp. 208221, Feb. 1993.
[36] Matthew G. Feemster, Member, IEEE, Yongchun Fang, Member, IEEE, and Darren
M. Dawson, Senior Member, IEEE, Disturbance Rejection for a Magnetic Levitation
System, IEEE/ASME Transactions on mechatronics, vol 11, no 11, december 2006, pp
709-717.
[37] W.S. McCullock and W. Pitts, A logical calculus of the ideas inmanent in nervous
activity, Bulletin of Mathematical Biophysics, vol 5, pp 115-133.
[38] A. M. Mohamed and I. Busch-Vishniac, Imbalance compensation and automatic bal-
ancing in magnetic bearing systems using the q-parameterization theory, in IEEE Proc.
Amer. Control Conf., Baltimore, MD, May 2002, pp. 40154020.
[39] J.E. Moody and C.J. Darken, Fast learning in networks of locally tuned processing
units, Neural computations, vol. 1, 1989.
BIBLIOGRAFA 161
[40] F. C. Moon, Superconducting Levitation: Applications to Bearings and Magnetic Trans-
portation. New York: Wiley, 1994.
[41] M. Ono, S. Koga, and H. Ohtsuki, Japans superconducting maglev train, IEEE In-
strum. Meas. Mag., vol. 5, no. 1, pp. 915, Mar. 2002.
[42] J. E. Pad, State variable contraints on the performance of optimal Maglev suspension
controllers, in Proc. IEEE Conf. Control Applications,1994, pp. 124127.
[43] T. Poggio and F. Girosi, Networks for approximation and learning, Proceedings of
the IEEE, vol. 78, 1989.
[44] M.J.D. Powell, Radial basis functions for multivariable interpolation: a review, IMA
Conference on algorithms for the approximation of functions and data, Shrivenham,
U.K., 1985.
[45] E. Purcell, Electricity & Magnetism. New York: McGraw-Hill, 1965.
[46] S. Renals, Radial basis function network for speech pattern classication, Electronics
Letters, vol. 25, 1989.
[47] H. Rodrigues, R. Orgeta, and I. Mareels, A novel passivity-based controller for an
active magnetic bearing benchmark experiment, in IEEE Proc. Amer. Control Conf.,
Chicago, IL, Jun. 2000, pp. 21442148.
[48] F. Rosenblatt, The perceptron: a probalistic model for information storage and orga-
nization in the brain , Psychological Review, vol 65, 1958.
[49] J. J. Slotine, Appied Nonlinear Control. Englewood Clis, NJ: Prentice-Hall, 1991.
[50] D. Swaroop, J. K. Hedrick, P. P. Yip, and J. C. Gerdes, Dynamic surface control for a
class of nonlinear systems, IEEE Trans. Automat. Contr., vol. 45, pp.18931899, Oct.
2000.
162 BIBLIOGRAFA
[51] H.D. Taghirad, M.Abrishamchian, R. Ghabcheloo and K.N.Toosi, Electromagnetic
Levitation System : An Experimental Approach, Department of Electrical Engineering
Tehran Iran.
[52] Marc T. Thompson, Electrodynamic Magnetic Suspension-Models, Scaling Laws and
Experimental Results ,IEEE Trans. on Educ., vol. 43, no. 3, pp. 336342, August 2000.
[53] D. L. Trumpler, S.M. Olson, and P. K. Subrahmanyan, Linearizing control of magnetic
suspension systems, IEEE Trans. Contr. Syst. Technol., vol. 5, pp. 427437, July 1997.
[54] D. Wang and J. Huang, Neural network based adaptive dynamic surface control for
nonlinear systems in strict-feedback form, in Proc. 40th IEEE Conf. Decision and
Control, Orlando, FL, 2001, pp. 848853.
[55] B. Xian, N. Jalili, D. Dawson, and Y. Fang, Adaptive rejection of sinusoidal distur-
bances with unknown amplitudes and frequencies in linear SISO uncertain systems, in
IEEE Proc. Amer. Control Conf., Anchorage, AK, May 2002, pp. 40154020.
[56] Z. J. Yang, K. Miyazaki, C. Z. Jin, and K. Wada, Physical parameter identication of
a magnetic levitation system under a robust nonlinear controller, in Proc. 15th IFAC
World Congr., Barcelona, Spain, 2002, pp. 848853.
[57] F. Zhang and Suyame, H