CURSO: SISTEMAS INTELIGENTES Y REDES NEURONALES TEMA

MEJORANDO UNA NEURONA ADAPTIVA CON CONTROLADOR PID BASANDO EN EL ALGORITMO DE LEVENBERG-MARGUARDT.

PROFESOR: DR. MUGRUZA VASSALLO, CARLOS ANDRES SEMANA: 15-2 ALUMNO: PALACIOS LAPA JUAN RICARDO CODIGO: 0710406

2014

ndice

1. 2. 3. 4. 5. 6.

Objetivos....2 Mtodo....2 Resultado4 Discusin.6 Conclusin..7 Bibliografa.8

MEJORANDO UNA NEURONA ADAPTIVA CON CONTROLADOR PID BASANDO EN EL ALGORITMO DE LEVENBERG-MARGUARDT 1. OBJETIVO Definir conceptos de neurona adaptiva, control PID convencional, combinacin de estos dos sistemas, los tipos de algoritmos de optimizacin (mtodo gradiente, algoritmo de Newton-Raphson, algoritmo de Gauss-Newton, algoritmo de Levenberg-Marguardt) Optimizar los recursos computacionales complejos usando los algoritmos adecuados en redes neuronales y los sistemas de control PID los cuales son ampliamente utilizado y difundidos actualmente en la industria. Total de palabras 60 2. METODOS Se utilizara el sistema de control PID, algoritmo de LM en una neurona adaptiva. El sistema PID convencional en un sistema SISO realimentado, donde se tiene los 3 parmetros modificables para un control optimo en tareas especficas, en cuanto al algoritmo de LM dicho algoritmo complejo donde combina algoritmo de descenso de gradiente y el mtodo iterativo de Gauss-Newton), donde estos 2 algoritmos trabajando de manera independientes tiene desventajas, al combinarlas es ms eficientes se detallaran mas adelante. Utilizando para su desarrollo la inteligencia computacional, las redes neuronales, los sistemas difusos y los algoritmos genticos, para el control de los sistemas no lineales y las sntesis de un control ptimo. Los sistemas de control PID con adaptacin neuronal se desarroll usando el algoritmo de HEBB, tomando como base las reglas de aprendizaje, la funcin cuadrtica y la regulacin de ganancia automtica(velocidad lenta). Al plantear el algoritmo de LM en el mismo sistema descrito anteriormente se alcanzara un control ptimo este algoritmo est basado en el descenso de gradiente y el mtodo de GN Desarrollo de los 3 procesos para ajustar los parmetros de control. Control PID y una neurona adaptiva convencional La mejora de una neurona adaptiva con control PID basada en el algoritmo de LM Simulacin de ambos sistemas

Descripciones matemticas de los principales algoritmos de aprendizaje para una red neuronal, la estructura del controlador PID con una neurona adaptiva

El controlador PID y la neurona adaptiva tiene la misma estructura con el metodo de control PID incrementales convencionales, la ventaja de una sola neurona con el controlador PID adaptivo es que los pesos se pueden ajustar. Con el fin de mantener el sistema de control de bucle cerrado es importante resaltar su aprendizaje y la ganancia. Para los controladores convencionales PID y una neurona adaptiva hay algunos inconvenientes, el algoritmo de los controladores se derivan basado en el mtodo de gradiente, este mtodo optimizacin de primer orden, tiene la ventaja la velocidad de aprendizaje es lento, y el otro inconveniente los valores de tasa de aprendizaje en los controladores convencionales tiene una gran influencia en el rendimiento, con los 3 parmetros para sintonizar esto incrementa su dificultad en el ajuste. Mejora de una neurona adaptiva con control PID basado en el algoritmo de LM El mtodo de descenso de gradiente es un mtodo de optimizacin de un orden que tiene la desventaja de la velocidad de aprendizaje (lento) El algoritmo de Newton iterativo, se necesita clculo de la matriz hessiana de segundo orden, cuesta mucho recurso informtico. El algoritmo LM que combina la gradiente ms

pronunciadas y el mtodo de Gauss-Newton pueden aumentar la velocidad de convergencia y el mejor rendimiento de control y cuesta menos recurso computacional, es por ello que elegimos el algoritmo de LM para ajustes de pesos en una neurona. El algoritmo de LM incluye principalmente tres procesos Calculo de la matriz Jacobiana La evaluacin de actual parmetro de pesos W Actualizacin de la amortiguacin de parmetros y pesos.

Total de palabras 398 3. RESULTADOS Con el fin de verificar el rendimiento de la mejora del control PID de una neurona adaptiva, se mostrara una simulacin utilizando un sistema no lineal en tiempo discreto, tal como se muestra

El resultado de la simulacin que se muestra en la figura donde el rendimiento de mejorando una neurona adaptiva con controlador PID basada en el algoritmo de LM mucho mejor que solo basado que solo el control PID convencional con neurona adaptiva, como primer punto la velocidad de respuesta dinmica del sistema es ms rpido que los regulados y como otro punto el valor de rebasamiento es menor en la mejora deuna neurona adaptiva con control PID adems el controlador el error de salida en gran medida. Por lo tanto, los resultados muestran que el nuevo controlador tiene una fuerte capacidad de auto-aprendizaje en lnea y es muy robusto l que demuestra la eficincia de algoritmo mejorado. Matlab y el algoritmo LM Algoritmo de Levenberg Marquardt el comando de simulacin en Matlab es trainlm Es una funcin que entrena redes multicapa, actualizando W y b de acuerdo a la optimizacin de Levenberg-Marquardt.

trainlm Entrena redes feed forward con el algoritmo de Levenberg Marquardt, Se puede
usar para entrenar redes de 0, 1 y 2 capas ocultas. Este algoritmo es mucho ms rpido que el de gradiente descendente tal como trainbp o trainbpx; sin embargo requiere de ms memoria. Sintaxis: [net, tr] = trainlm (net, P,T,A,Q,Ts,VV)

Total de palabra 240 4. DISCUSIN ARTICULO 1: Automatizacin del horno de una lnea de fabricacin de galletas

implementando un sistema de control difuso diseado con redes neuronales.

Se plantea disear un sistema de control difuso basado en un modelo de red neuronal para el control de la temperatura del horno de una lnea de fabricacin de galletas; se realiza el modelado del horno utilizando el programa MATLAB creando una red neuronal de tipo Feed Forward con algoritmo de entrenamiento Levenberg Marquard, para el diseo del controlador se utiliz el FIS Editor del Toolboxes de Fuzzy Logic de MATLAB, se establece el tipo de sistema difuso a utilizar Mamdani con mtodo de defusificacin Centro de gravedad o centroide. Se concluye que: las Redes Neuronales son una herramienta

altamente eficaz para modelar sistemas con mltiples entradas; el controlador difuso diseado brinda una mayor precisin en el control de los quemadores del horno aun en presencia de perturbaciones, por lo que se obtiene una mayor calidad en el producto final, lo que no se obtuvo con el controlador PID.

Se observa que las Redes neuronales son una herramienta altamente eficaz para el modelado de sistemas con mltiples entradas, Controlador PID como el Controlador Difuso brindan una salida estable de acuerdo a las entradas seleccionadas, sin embargo al aadir perturbaciones al sistema en las entradas el controlador PID muestra un comportamiento inestable mientras que el controlador difuso brinda un comportamiento estable y dentro de los parmetros de operacin esperados. Concluimos que los sistemas de lgica difusa son ms robustos y eficaces en el control que el control PID en la misma condicin. Artculo 2: diseo e implementacion de controladores inteligentes para la

unidad air flow temperature control system.

El presente artculo describe la aplicacin de las teoras de control inteligente para el control de temperatura de la unidad Air Flow Temperature Control System, que integra la adquisicin de datos y el software Matlab. Los controladores inteligentes implementados se basan en la teora de la lgica difusa, redes neuronales y predictivo. Este proyecto pretende brindar ms informacin sobre el diseo e implementacin de los controladores inteligentes mencionados en un sistema real de temperatura, los modelos de simulacin y los modelos experimentales se desarrollan en la herramienta Simulink de Matlab. Los controladores ms usados a nivel industrial son los controladores PID y si bien representan un mtodo eficiente y de bajo costo, requiere un amplio trabajo de ingeniera. Los mtodos de control Inteligente representan un mtodo alternativo de solucin de problemas de control. Actualmente el software MATLAB es comnmente utilizado como simulador para el diseo de sistemas de control por su gran capacidad de clculo, versatilidad de libreras y porque dispone de una Amplia coleccin de funciones aplicables al campo de control inteligente, que mediante la herramienta Real-Time Workshop (RTW), permite probar los algoritmos modelados en tiempo real. Para la implementacin de los controladores neuronales y predictivo es necesario un modelo matemtico que describa la dinmica del sistema real. En el caso de las redes neuronales se utiliza este modelo en la etapa de entrenamiento de los controladores y en el caso del control predictivo se requiere del modelo para optimizar los valores de la seal de control que ajuste la salida del proceso a la referencia ingresada. Para el controlador difuso el modelo matemtico solo se utiliza en la simulacin, una ventaja de este control difuso es que simplemente con el conocimiento del funcionamiento de la planta se puede implementar un controlador. El controlador neuronal ms eficiente fue la red neuronal. Total de palabra 602 5. CONCLUSIONES La mejora realizada en el presente artculo nos demuestra que es un nuevo tipo de controlador que combina la ventaja de la red neuronal y el controlador PID tradicional,

que tiene la ventaja de ser robusto y fcil de implementar. Es trabajo combina adicionalmente el descenso de gradiente y el mtodo de Gauss-Newton, se presenta y discuten en resolver alguna deficiencia en los controles PID. El problema en el algoritmo de LM con el mtodo de descenso de gradiente que es el mtodo que optimiza el sistema y el algoritmo de Newton cuesta mucho recurso informtico, al realizar una convergencia entre estos dos mtodos encontramos que se aumenta la velocidad de convergencia y el rendimiento de control se ha mejorado en gran medida. Se concluye que el controlador Novel y una robustez y una buena auto adaptacin, as que es un valioso mtodo a utilizar en el futuro en muchas aplicaciones. Total de palabra 152 6. REFERENCIAS BIBLIOGRAFICAS [1].Herrera Gil, Johanna AUTOMATIZACION DEL HORNO DE UNA LINEA DE FABRICACION DE GALLETAS IMPLEMENTANDO UN SISTEMA DE CONTROL DIFUSO DISEADO CON REDES NEURONALES. Articulo Universidad Nacional Experimental Politcnica Barquisimeto Venezuela. 2012 [2].IPN - Escuela Superior de Cmputo METODO DE LEVENBERG-MARGUARDT diciembre Mxico 2011 [3].Palmer Pol Qu SON LAS REDES NEURONALES ARTIFICIALES? APLICACIONES REALIZADAS EN EL AMBITO DE LAS ADICCIONES. Universidad de las islas Baleares Mallorca-Espaa 2010. [4].Redes neuronales artificiales ESTIMACION DE PARAMETROS Centro Nacional de Investigacin y desarrollo tecnolgico CENIDET departamento de Ingeniera Meca trnica www.cenidet.edu.mx 2013.
[5].PAUL ADRIAN CABEZAS YNEZ,DANIEL ALEJANDRO CAPELO PARREO. DISEO E

IMPLEMENTACION DE CONTROLADORES INTELIGENTES PARA LA UNIDAD AIR FLOW TEMPERATURE CONTROL SYSTEM
Facultad de Ingeniera Elctrica y Electrnica, Escuela Politcnica del Ejrcito Sangolqu, Ecuador 2012. [6]Matlab introduccin a sistemas algoritmos de aprendizaje

http://www.mathworks.es/es/help/nnet/ref/trainlm.html