The Title

The Author
The Date
Contents
0.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
0.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.3 Desarrollo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.3.1 Controlador PID. . . . . . . . . . . . . . . . . . . . . . . . 3
1
Implementacin de PID con
Red Neuronal (RNA-PID)
0.1 Introduccion
Los controladores Proporcional Integral y Derivativo (PID) son usados amplia-
mente en robots manipuladores. Cuando de desconoce la dinmica del robot un
controlador PID puede ser el mejor controlador puesto que este es libre de mod-
elo y sus parmetros pueden ajustarse relativamente fcil e independientemente.
Con frecuencia un integrador en un controlador PID reduce el ancho de banda
del sistema en lazo cerrado, con el n de eliminar el error en estado estable
causado por las incertidumbres y el ruido se puede aumentar la ganancia del
integrador, esto nos permite tener un estado deseado sin afectar la estabilidad.
Por tales razones algunos robots solo utilizan controladores con accin Propor-
cional Derivativa (PD) o PID con ganancias integrales pequeas. Debido a que
estos controladores son complejos presentan algunas desventajas respecto a los
controladores PID lineales.
Una compensacin inteligente para un control PD no necesita un modelo
matemtico, este es conocido como compensador libre de modelo, dentro de
este grupo se encuentran: los compensadores difusos, los controles difusos, com-
pensadores neuronales y compensadores neuro-difusos. La idea bsica de estos
controladores es el uso de un ltro de error de seguimiento basado en el anlisis
de Lyapunov.
Existen dos enfoques diferentes para combinar el controlador PID con el
control inteligente tal y como lo hace el control neuronal. El primer enfoque
es que las redes neuronales son formadas dentro de una estructura PID. Para
una adecuada actualizacin de leyes, los parmetros de los controladores PID se
cambian de manera que el sistema en lazo cerrado sea estable. La dicultad para
implementarlos industrialmente radica que las ganancias (pesos) de la accin
PID son variantes en el tiempo.
El segundo mtodo para las tcnicas de control inteligente es; el ajuste de
parmetros de los controladores PID, tales como: sintonizacin difusa, sin-
tonizacin neuronal y sintonizacin experta.
Los controladores industriales son PID lineales, sin embargo la estabilidad
2
del sistema en lazo cerrado no est garantizada. El control PID neural de
este trabajo supera las desventajas anteriores. Se trata de un controlador PID
industrial lineal mas un compensador neural. El principal obstculo de este
controlador PID neuronal es difcil anlisis terico de estabilidad.
0.2 Objetivo
Estudiar el comportamiento de un PID implementado con una red neuronal.Las
bentajas que nos ofrece asi como las desventajas que representa usar un contro-
lador PID implementado una red neuronal y comprobar asi que grantiza una
estabilidad del sistema a lazo cerrado.
0.3 Desarrollo
No siempre es posible conocer con exactitud la funcin de transferencia de todo
el sistema por lo que se hace necesario utilizar herramientas diferentes a las
tradicionalmente conocidas para desarrollar el control. Una de estas herramien-
tas son las redes neuronales. Estas no necesitan conocer de manera directa el
comportamiento de cada uno de los componentes del sistema, para emularlo.
Lo nico que necesitan son datos para aprender el comportamiento deseado del
sistema. La conguracin de la red neuronal es un punto fundamental para que
una aplicacin produzca buenos resultados. Si los datos de entrenamiento son
correctos, pero la arquitectura de la red no es la adecuada para la aplicacin, la
red neuronal no se comportar como se espera. Los controladores industriales
son PID lineales, sin embargo la estabilidad del sistema en lazo cerrado no est
garantizada. El control PID neural de este trabajo supera las desventajas an-
teriores. Se trata de un controlador PID industrial lineal mas un compensador
neural. El principal obstculo de este controlador PID neuronal es difcil anlisis
terico de estabilidad. .
0.3.1 Controlador PID.
El controlador PID (Proporcional, Integral y Derivativo) es un controlador re-
alimentado cuyo propsito es hacer que el error en estado estacionario, entre
la seal de referencia y la seal de salida de la planta, sea cero de manera
asinttica en el tiempo, lo que se logra mediante el uso de la accin integral.
Adems el controlador tiene la capacidad de anticipar el futuro a travs de la
accin derivativa que tiene un efecto predictivo sobre la salida del proceso.
El comportamiento del algoritmo PID se puede describir como: u(k) =
K(e(t) +
1
Ti
R
t
0
r()d +T
d
de()

):Donde u es la variable de control y es el error

de control, y
sp
es el valor de la referencia y es la salida del proceso. De esta
manera, la variable de control es una suma de tres trminos: el trmino P, que
es proporcional al error; el trmino I, que es proporcional a la integral del error;
y el trmino D, que es proporcional a la derivada del error. Los parmetros
3
del controlador son: la ganancia proporcional K, el tiempo integral y el tiempo
derivativo. Acontinuacin se muestrara la obtencin de dichos parmetros.
Obtencion de Parmetros PID
Con el Metodo de Zinger-Nichols para el calculo de parmetros PID obtenemos
la siguiente graca que es la respuesta a lazo abierto de la planta.Con esta graca
obtenemos los parmetros L=0.0985 y T=2.71 y obtenemos los parmetros
K
p
= 32:91, T
i
= 0:197, T
d
= 0:04925 por ltimo calculamos los parmetros
restantes K
i
=
Kp
Ti
=
32:91
0:197
= 167:56; K
d
= K
p
T
i
= 33:01 0:04925 = 1:6208
RNA-PID
4
5