Control Inteligente

Control de Sistemas
Dinmicos
Control de Sistemas Alejandro Pea P.
Dinmicos
Contenido
Control Sistemas
Dinmicos
Introduccin
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introduccin
Alejandro Pea P., PhD. Control Inverso
Aprendizaje Generalizado
pfjapena@gmail.com Regla Delta Generalizada
Aprendizaje Especfico
Grupo de Investigacin en Inteligencia Bibliografa
Computacional y Robtica (GICR)

Escuela de Ingeniera de Antioquia
Control de Sistemas
Introduccin Dinmicos
Alejandro Pea P.
Cualquiera de la representaciones matemticas de un

sistema, utiliza el concepto del control realimentado de
acuerdo con el siguiente diagrama de bloques:
Contenido
Control Sistemas
Dinmicos
Introduccin
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introduccin
Control Inverso
Regla Delta Generalizada
El problema del control, se restringe, luego de que ha sido Aprendizaje Especfico
seleccionado el sistema de medicin, al diseo del Bibliografa
controlador.
El controlador trata de buscar la relacin funcional ms
adecuada para generar la entrada u[k] (Entrada de Control).
Control de Sistemas
Alejandro Pea P.
De acuerdo con esto, un modelo sujeto a un set point (Entrada

de Comando) y posiblemente a entradas inciertas, genera una
respuesta en la seal de salida x[k], o comportamiento
aceptable.
La relacin funcional para el controlador, puede ser una
funcin del set point xd[k] y la seal del control u[k]. A este Contenido
tipo de sistema se le conoce como control en lazo cerrado o Control Sistemas

Dinmicos
control realimentado. Introduccin
Observabilidad
Los sistemas realimentados son de dos tipos: Controlabilidad
Esquemas de Control
1. Los que realimentan la seal de salida, como se
Control Neuronal
mostr en el esquema de control anterior. Introduccin
Control Inverso
2. Los que realimentan el sistema, como ocurre en la Aprendizaje Generalizado
representacin en espacio de estados. Regla Delta Generalizada
Bibliografa
Control de Sistemas
Alejandro Pea P.
El problema fundamental del control, est asociado con la

transferencia de estado del sistema x[k], a un conjunto de
destino (moverse de un estado a otro) x[k+1].
Cuando el conjunto de destino es constante en el espacio de
estados, el problema se conoce como control de regulacin. Contenido
Si el conjunto de destino es variante con el tiempo, Control Sistemas

Dinmicos
especificado mediante una seal de control, el problema se Introduccin
conoce como control de seguimiento. Observabilidad
Controlabilidad
La teora del control moderno esta regida por dos conceptos Esquemas de Control
fundamentales como son: controlabilidad y observabilidad. Control Neuronal

Introduccin
La controlabilidad esta relacionada con una entrada de control Control Inverso
existente que llevar un sistema a un punto determinado. Regla Delta Generalizada
El objetivo de la controlabilidad es que la salida x[k] se
Bibliografa
aproxime, o aproxime al set point xd[k].
Control de Sistemas
Observabilidad Dinmicos
Alejandro Pea P.
La observabilidad se enfoca en el problema de determinar el

estado x[k], a partir de las mediciones de x[k-1].
Se dice que un sistema es observable, si es posible inferir el
estado inicial x[0], a partir de un conjunto de mediciones de
salida sobre un intervalo finito de tiempo [0,T]. Contenido
De la mano de los conceptos anteriores, aparece el concepto Control Sistemas

Dinmicos
de control adaptativo, y que es la base del control inteligente. Introduccin
Observabilidad
En el caso en donde un sistema contenga mltiples entradas y Controlabilidad
salidas, aparece la teora del control multivariable. Esquemas de Control
Control Neuronal
En el caso de sistemas donde aparecen fenmenos aleatorios Introduccin
se utiliza la teora de control estocstico. Control Inverso
Ejemplo: Analizar la controlabilidad y la observabilidad Aprendizaje Especfico
de un sistema, expresado mediante redes neuronales
Bibliografa
del tipo MADALINE, de forma matemtica, y utilizando
MATLAB.
Control de Sistemas
Observabilidad. Dinmicos
Alejandro Pea P.
Ejemplo:
Determinar la observabilidad de un sistema, el cual fue
identificado mediante la utilizacin de la red neuronal
MADALINE y el modelo EPR de tipo lineal.
El concepto de observabilidad, esta relacionado con el Contenido
siguiente problema: Dado un sistema LTI, y sus entradas [] Control Sistemas
y sus salidas [] sobre un intervalo , 1 , calcular el estado Dinmicos
inicial [0]. Introduccin

Observabilidad
Controlabilidad
Siendo A y C dos matrices constantes de dimensiones nxn y Esquemas de Control
mxn respectivamente, un sistema es completamente Control Neuronal
observable, si y solo si, la matriz de observabilidad . es Introduccin
Control Inverso
de rango n. Aprendizaje Generalizado
. Aprendizaje Especfico
. 2 Bibliografa
= .
.
.
. 1
Control de Sistemas
Controlabilidad Dinmicos
Alejandro Pea P.
La controlabilidad de un sistema, responde a la siguiente

pregunta:
Existe siempre una entrada de control [] la cual puede
transferir el sistema desde el estado inicial a otro estado 1
deseado en un tiempo finito?
Contenido
Mientras que la observabilidad responde a la pregunta: Control Sistemas
Dinmicos
El estado inicial [] del que parte un sistema, puede siempre Introduccin
identificarse mediante la observacin de la salida [] y de la Observabilidad
Controlabilidad
entrada sobre un tiempo finito k? Esquemas de Control
Estas caractersticas del sistema pueden ser contestadas Control Neuronal

Introduccin
mediante las propiedades de las matrices A, B, C y D, que Control Inverso
definen un espacio de estados para un sistema. Aprendizaje Generalizado
Las matrices A, B, son las que tienen que ver con la relacin Aprendizaje Especfico
entre entrada y estado, y se les conoce como el par de Bibliografa

controlabilidad.
Las matrices A, C, involucran el estado con la salida, a estas
dos matrices se les conoce como par de observabilidad.
Control de Sistemas
Controlabilidad. Dinmicos
Alejandro Pea P.
Ejemplo:
Determinar la controlabilidad de un sistema, el cual fue
identificado mediante la utilizacin de la red neuronal
MADALINE y el modelo EPR de tipo lineal.
Este estudio se concentrar en sistemas SISO, sistemas de Contenido
una sola entrada, e invariantes en el tiempo (LTI). Control Sistemas
Dinmicos
Para dichos sistemas la matriz de controlabilidad es cuadrada, Introduccin
y si la misma es de rango n, significa la misma es no singular Observabilidad
Controlabilidad
y que es invertible. Esquemas de Control
La matriz de controlabilidad se construye de la siguiente Control Neuronal

Introduccin
manera: Control Inverso
= . 2 Aprendizaje Generalizado
Para que un sistema descrito sea de estado completamente Aprendizaje Especfico
controlable, es necesario y suficiente que la matriz (.) de Bibliografa
controlabilidad, sea de rango igual a n.

Control de Sistemas
Controlabilidad y Observabilidad (MATLAB). Dinmicos
Alejandro Pea P.
Para calcular la matriz de observabilidad:

>>Co=ctrb(A,B);
Para calcular la matriz de observabilidad:
>>Ob=obsv(A,C);
Contenido
Para calcular el rango de una matriz: Control Sistemas
Dinmicos
>>rank(Co); Introduccin
Observabilidad
>>rank(Ob); Controlabilidad
Esquemas de Control
Para simular el comportamiento de un Sistema SISO en tiempo Control Neuronal
discreto: Introduccin
Control Inverso
1. Organizamos la red, lado izquierdo los retardos de la Aprendizaje Generalizado
planta en forma descendente. Lado derecho la seal Aprendizaje Especfico
de control en orden descendente.
Bibliografa
2. Se calcula la transformada Z.
3. Se divide H(z) por la mxima potencia arriba y abajo.
4. Se construyen los vectores A1, B1 en MATLAB.
Control de Sistemas
Controlabilidad y Observabilidad (MATLAB). Dinmicos
Alejandro Pea P.
Para llevar a cabo la simulacin de un sistema SISO en tiempo

discreto:
>>k=0:0.1:20;
>>escalon=ones(size(k));
Contenido
>>y2=filter (B,A,escalon);
Control Sistemas
Otra alternativa para llevar a cabo la simulacin a la respuesta Dinmicos
Introduccin
en tiempo discreto: Observabilidad
Controlabilidad
>>G=tf(B,A,[]); Esquemas de Control
>>y3=step(G,k); Control Neuronal

Introduccin
Para graficar ambos resultados: Control Inverso
>>plot(k,y2); Aprendizaje Especfico
>>hold on Bibliografa
>>plot(k,y3);
Control de Sistemas
Dinmicos
Control Inteligente Alejandro Pea P.
Contenido
Control Sistemas
Dinmicos
Introduccin
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introduccin
Control Inverso
Alejandro Pea P., PhD. Aprendizaje Generalizado
pfjapena@gmail.com Aprendizaje Especfico
Bibliografa
Grupo de Investigacin en Inteligencia
Control de Sistemas
Esquemas del Control Inteligente. Dinmicos
Alejandro Pea P.
El incremento de las demandas tecnolgicas, ha generado

sistemas complejos que requieren de controladores
sofisticados para asegurar alto desempeo ante condiciones
adversas.
Estas condiciones son difcilmente logrables con controladores Contenido
convencionales, debido al desconocimiento de la dinmica de
Control Sistemas
un sistema, la cual puede variar de manera significativamente Dinmicos
y de manera impredecible con el tiempo. Introduccin
Observabilidad
Controlabilidad
El control inteligente es la disciplina donde los mtodos de Esquemas de Control
control se desarrollan para emular caractersticas importantes
Control Neuronal
de un controlador o cerebro humano: Introduccin
Control Inverso
1. Son robustos y tolerantes a fallas. Aprendizaje Generalizado
2. Son compactos y consumen poca energa. Aprendizaje Especfico
Bibliografa
3. Se acomodan a diferentes ambientes por aprendizaje.
Control de Sistemas
Esquemas del Control Inteligente. Dinmicos
Alejandro Pea P.
Las reas donde se esta trabajando alrededor del control

inteligente son: redes neuronales, control difuso, algoritmos
genticos, sistemas de planeacin, sistemas expertos y
sistemas hbridos.
Un sistema de control inteligente debe ser autnomo, con el Contenido
poder de autogobernarse. La autonoma es el objetivo de los
Control Sistemas
sistemas de control complejos, y los controladores inteligentes Dinmicos
son una manera de lograrlo. Introduccin
Observabilidad
Controlabilidad
Un modelo matemtico de una planta o sistema debe ser lo Esquemas de Control
bastante simple para que pueda ser analizado, y bastante
Control Neuronal
exacto tal que describa los aspectos ms importantes de su Introduccin
comportamiento. Control Inverso
En general, los modelos lineales generan controles para Regla Delta Generalizada
cumplir especificaciones alrededor de un punto de operacin.
Bibliografa
En sistemas de control con alto grado de autonoma (control
inteligente), pueden incrementar significativamente el rango de
operacin de un sistema, esto debido a su capacidad de
aprendizaje de la evolucin de un sistema.
Control de Sistemas
Control Inteligente de Sistemas. Dinmicos
Alejandro Pea P.
El objetivo del control inteligente, al igual que el control

adaptativo, es el ajuste de los parmetros del control, para
lograr una respuesta especfica de un sistema desconocido, o
variante en el tiempo, con, o sin un modelo de referencia
(Dagli, 1994).
Contenido
Cuando se habla de control inteligente, generalmente se
entiende que es un modelo por aprendizaje y adaptacin, con Control Sistemas
Dinmicos
el objetivo de calcular la accin de control para un proceso Introduccin
que cambio con el tiempo, de modo que se alcance el objetivo Observabilidad
Controlabilidad
de control deseado. Esquemas de Control
La diversidad de los mtodos o estrategias de control, radica Control Neuronal

Introduccin
en el modo de representacin de un sistema dinmico, y en la Control Inverso
forma que generan la accin de control. Aprendizaje Generalizado
Los algoritmos por aprendizaje, se basan generalmente en la Aprendizaje Especfico
Regla Delta Generalizada, de manera que los parmetros del Bibliografa

controlador, se adaptan en la direccin negativa del gradiente
de una determinada funcin de error.
Control de Sistemas
Dinmicos
Control Neuronal Alejandro Pea P.
Contenido
Control Sistemas
Dinmicos
Introduccin
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introduccin
Control Inverso
Bibliografa
Control de Sistemas
Control Neuronal Dinmicos
Alejandro Pea P.
En aplicaciones industriales, lo ms relevante del uso de

redes neuronales, esta directamente relacionado con la
identificacin de sistemas, o con la optimizacin de
controladores.
Una de las habilidades ms importantes de las redes
Contenido
neuronales artificiales, es su capacidad para aproximar
funciones no lineales. Control Sistemas
Dinmicos
Introduccin
La identificacin de sistemas utilizando redes neuronales, Observabilidad
consiste en entrenar la red a partir de un conjunto de pares de Controlabilidad
Esquemas de Control
datos de entrada y salida de una planta, o proceso
caracterstico no lineal. Control Neuronal
Introduccin
El problema de identificacin con redes neuronales, se puede Control Inverso
considerar como un problema de aproximacin de una funcin Regla Delta Generalizada
no lineal a un proceso complejo.
Bibliografa
Control de Sistemas
Esquemas de Control Neuronal Dinmicos
Alejandro Pea P.
Las redes neuronales artificiales, ocupan un lugar importante

en el desarrollo de tcnicas de control para proceso dinmicos
no lineales.
Cuando se habla de control de procesos utilizando redes
neuronales, generalmente se entiende que es una red
Contenido
encargada de calcular la accin de control que hay que aplicar
a un proceso, para que alcance el objetivo de control deseado. Control Sistemas
Dinmicos
Introduccin
La diversidad de los mtodos, o estrategias de control, radica Observabilidad
en el modelo de realizar el entrenamiento de la red, as como Controlabilidad
Esquemas de Control
el tipo de red de neuronas a utilizar.
Control Neuronal
El aprendizaje de las redes neuronales, se basan en el Introduccin
Control Inverso
mtodo de la regla delta generalizada, adaptando los pesos Aprendizaje Generalizado
en trminos del error con respecto a la seal de referencia. Regla Delta Generalizada
Bibliografa
Control de Sistemas
Esquemas de Control utilizando Redes Neuronales Dinmicos
Alejandro Pea P.
Los esquemas ms utilizados en el control con redes

neuronales, son los siguientes:
1. Copia de un Controlador Existente.
2. Control Inverso.
Contenido
3. Control basado en la Regla Delta Generalizada
(Control Adaptativo). Control Sistemas
Dinmicos
Introduccin
4. Control Predictivo. Observabilidad
Controlabilidad
A pesar de las clasificaciones, un marco unificador para el Esquemas de Control
control neuronal es ver el entrenamiento como un problema Control Neuronal
de optimizacin no lineal. Introduccin
Control Inverso
El esquema basado en la regla delta, es llamado control Aprendizaje Generalizado
indirecto, ya que una red neuronal no enva una seal de Aprendizaje Especfico
control directamente al proceso. Aqu la red neuronal se utiliza
Bibliografa
como indicador de las caractersticas del proceso.
Control de Sistemas
Dinmicos
Control Inverso Alejandro Pea P.
Contenido
Control Sistemas
Dinmicos
Introduccin
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introduccin
Control Inverso
Alejandro Pea P., PhD. Regla Delta Generalizada
pfjapena@gmail.com Bibliografa

Control de Sistemas
Control Neuronal Inverso. Dinmicos
Alejandro Pea P.
El esquema de control inverso, consiste en aproximar

mediante una red de neuronas, la dinmica inversa de un
sistema o proceso.
La salida de un proceso se puede expresar de la siguiente
manera:
Contenido
x = , [ 1, 2 , , [ ] Control Sistemas
Dinmicos
Donde: Introduccin
Observabilidad
u[k]: Representa la entrada del proceso. Controlabilidad
Esquemas de Control
Por tanto una estrategia de control inverso la red de neuronas Control Neuronal
se utiliza para aproximar la siguiente relacin: Introduccin
= 1 , 1 , , [ ] Control Inverso
El aprendizaje mediante un esquema de control inverso Aprendizaje Especfico
utilizando redes neuronales, se lleva a cabo mediante
Bibliografa
aprendizaje generalizado.
Control de Sistemas
Aprendizaje Generalizado Dinmicos
Alejandro Pea P.
En este caso, la red neuronal se entrena para que aprenda la

dinmica inversa del proceso en su totalidad.
Para dicho entrenamiento, se utiliza un conjunto de datos
representativo de dicha dinmica (dinmica inversa), esta
dinmica se obtiene manipulando la accin de control, y
Contenido
observando o midiendo la salida del proceso para dicha seal.
Control Sistemas
Por tanto, el aprendizaje de la red realiza mediante la Dinmicos
Introduccin
direccin negativa del gradiente de la siguiente funcin: Observabilidad
1 Controlabilidad
= 2 Esquemas de Control
2
Control Neuronal
Introduccin
Control Inverso
Bibliografa
Control de Sistemas
Dinmicos
Control Neuronal Alejandro Pea P.
(Regla Delta Generalizada)
Contenido
Control Sistemas
Dinmicos
Introduccin
Observabilidad
Controlabilidad
Esquemas de Control
Control Neuronal
Introduccin
Control Inverso
Bibliografa
Control de Sistemas
Aprendizaje Especializado Dinmicos
Alejandro Pea P.
El modelo neuronal para este tipo de aprendizaje, es obtenido

con la estructura de modelacin directa de la siguiente
manera:
Contenido
Control Sistemas
Dinmicos
Introduccin
Observabilidad
Controlabilidad
Esquemas de Control
Para el entrenamiento de la red neuronal, se utiliza el Control Neuronal
algoritmo de entrenamiento backpropagation. Para este tipo Introduccin
Control Inverso
de modelacin, la funcin de costo a minimizar es la siguiente: Aprendizaje Generalizado

1 2
= Aprendizaje Especfico
2
=1 Bibliografa
Control de Sistemas
Aprendizaje Especializado Dinmicos
Alejandro Pea P.
El control por la regla delta generalizada, se denota y define

de la siguiente manera:

+1 = +

Donde:
Contenido
u[k]: Representan la seal de control. Control Sistemas

Dinmicos
: Representa la ganancia de paso donde > 0 . Introduccin
Observabilidad
: Es el gradiente de la funcin a optimizar Controlabilidad
Esquemas de Control
con respecto a la seal de control.
Control Neuronal
: Funcin candidata de Lyapunov. Introduccin
Control Inverso
Ejemplo: Calcular la regla de control para una red neuronal de Aprendizaje Generalizado
tipo MADALINE con funcin de activacin tanh a la salida de Aprendizaje Especfico
la capa oculta de neuronas. Bibliografa
Control de Sistemas
Dinmicos
Anlisis de Sistemas Alejandro Pea P.
Contenido
Anlisis de Sistemas
Estabilidad
Estabilidad (z-plane)
Root Locus
Respuesta al Escaoln
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Alejandro Pea P., PhD. Esquema MRAC
Modos Deslizantes
pfjapena@gmail.com Algoritmos de Aprendizaje
Grupo de Investigacin en Inteligencia Equilibrio y Estabilidad

Funcin de Lyapunov
Computacional y Robtica (GICR) Definicin Intuitiva

Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Estabilidad. Dinmicos
Alejandro Pea P.
Es una de las caractersticas ms importantes del control, ya

que en un sistema estable, la seal de salida al tener un
cambio de cualquier tipo a la entrada, este no se sale de los
lmites establecidos.
De esta manera, el sistema mantiene una posicin si no igual, Contenido
por lo menos paralela a la seal de entrada. Anlisis de Sistemas

Estabilidad
La estabilidad en sistemas continuos, esta determinada Estabilidad (z-plane)
Root Locus
porque las races del denominador de la funcin de Respuesta al Escaoln
transferencia en lazo cerrado, estn en la regin estable del Exactitud
plano s. Control Neuronal

Adaptativo
La estabilidad en sistemas discretos, esta determinada porque Self Tunning
Modelo Indirrecto
los polos de la funcin de transferencia se encuentran al Esquema MRAC
interior del circulo unitario en el plano z. Modos Deslizantes
Algoritmos de Aprendizaje
Equilibrio y Estabilidad
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Estabilidad (z-plane). Dinmicos
Alejandro Pea P.
Para calcular la estabilidad de un sistema en tiempo discreto,

se debe tener en cuenta el siguiente procedimiento:
Sea la siguiente funcin de transferencia en tiempo continuo:
>> A1=27;
>> B1=[1 27 0]; Contenido
>> Ga=tf(A1,B1); Anlisis de Sistemas
Estabilidad
>> Gz=c2d(Ga,0.1,zoh) Estabilidad (z-plane)
>> Tz=feedback(Gz,1); Root Locus
>> r=pole(Tz); Exactitud
>> rm=max(abs(r)); Control Neuronal

Adaptativo
Self Tunning
Ejemplo: Evaluar la estabilidad de un sistema, a partir de un Modelo Indirrecto
controlador encontrado mediante redes neuronales utilizando Esquema MRAC
Modos Deslizantes
aprendizaje por Regla Delta Generalizada. Analizar la Algoritmos de Aprendizaje
sensibilidad del factor de aprendizaje en el control.
Funcin de Lyapunov
Definicin Intuitiva
= 0.2123436 + 0.2611085 3 Definicin Formal
+ 0.2337058 2 + 0.3009152[ 3] Equilibrios
Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.
De manera general, la estabilidad de un sistema realimentado,

esta directamente relacionada con la ubicacin de los polos.
Cuando el sistema posee una ganancia variable, la estabilidad
de un sistema depende del valor escogido para dicha
ganancia. Contenido
El anlisis root locus permite evaluar la estabilidad de un
Anlisis de Sistemas
sistema, en trminos de observar el movimiento de los polos Estabilidad
en el plano complejo, de acuerdo con la variacin de la Estabilidad (z-plane)
Root Locus
ganancia del sistema. Respuesta al Escaoln
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.
Ejemplo: Considerar un sistema en lazo cerrado el cual tiene

la siguiente funcin de transferencia:

=
+ 0.5 2 + 0.6 + 10
Contenido
El diagrama en root locus se construye utilizando MATLAB de
Anlisis de Sistemas
la siguiente manera: Estabilidad
Root Locus
>>num=[1]; Respuesta al Escaoln
Exactitud
>>den=[1 1.1 10.3 5 0];
Control Neuronal
>>[r,K]=rlocus(num,den); Adaptativo
>>plot(r,-) Self Tunning
Modelo Indirrecto
>>axis(equal); Esquema MRAC
Modos Deslizantes
>>V=[-4 4 -4 4]; Algoritmos de Aprendizaje
>>axis(v) Equilibrio y Estabilidad
>>grid Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.

z^4

z^4 1.5 z^3 + 0.38 z^2 + 0.128 z 0.008
Contenido
El diagrama en root locus en tiempo discreto se construye
Anlisis de Sistemas
utilizando MATLAB de la siguiente manera: Estabilidad
Root Locus
>>num=[1 0 0 0 0]; Respuesta al Escaoln
Exactitud
>>den=[1 -1.5 0.38 0.128 -0.008];
>>Gz=tf(num,den,[]); Control Neuronal
Adaptativo
>>Tz=feedback(Gz,1) Self Tunning
Modelo Indirrecto
>>rlocus(num,den); Esquema MRAC
Modos Deslizantes
>>[K,polos]=rlocfind(num,den); Algoritmos de Aprendizaje
>>axis([-1 1 -1 1]) Equilibrio y Estabilidad
Definicin Intuitiva
>>K Definicin Formal
Equilibrios
Este anlisis permite determinar el valor de K para el cual
es modelo presenta estabilidad. Bibliografa
Control de Sistemas
Respuesta al Escaln Dinmicos
Alejandro Pea P.
Ahora para determinar la respuesta al escaln, debemos tener

en cuenta el siguiente procedimiento:
>>[numcDz,dencDz]=cloop(K*num,den);
>>U=1;
Contenido
>>[x]=dstep(U*numcDz,dencDz,201);
Anlisis de Sistemas
>>figura Estabilidad
>>t=0:0.5:10; Root Locus
>>stairs(t,x) Respuesta al Escaoln
Exactitud
>>grid
Control Neuronal
Adaptativo
Ejemplo: Analizar la estabilidad de una red neuronal del tipo Self Tunning
Modelo Indirrecto
madaline. Esquema MRAC
Modos Deslizantes
= 0.2123436 + 0.2611085 3 + 0.2337058 2
+ 0.3009152[ 3] Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Exactitud Dinmicos
Alejandro Pea P.
La exactitud de error (static or steady state error), se refiere a

qu tan bien un sistema se ajusta a cambios en el valor de
referencia, y qu tambin puede eliminar los disturbios en
estado estable.
Con la palabra estado estable, nos referimos al valor final del
Contenido
sistema despus de un cambio, sin estar interesados en su
comportamiento transitorio. Anlisis de Sistemas
Estabilidad
Las siguientes Figuras muestran la diferencia entre un buen Estabilidad (z-plane)
Root Locus
sistema y un mal sistema. Para que un sistema sea bueno , se Respuesta al Escaoln
requiere que la seal de salida se ajuste a la seal de entrada Exactitud
sin error. Control Neuronal

Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Exactitud Dinmicos
Alejandro Pea P.
Para evaluar la estabilidad y la exactitud de un sistemas de

control, es necesario tener en cuenta el siguiente sistema:

= +
1+ 1+
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
De manera general, la exactitud de un sistema se puede Adaptativo
calcular de la siguiente manera: Self Tunning
Modelo Indirrecto
1
Esquema MRAC
= lim 1
1 1 + 1 2 Modos Deslizantes
Donde: Equilibrio y Estabilidad

Funcin de Lyapunov
: Es el valor final del error. Definicin Intuitiva
Definicin Formal
La ecuacin anterior puede ser evaluada para seales de Equilibrios
entrada como: Escaln, Rampa y Parbola. Bibliografa

Control de Sistemas
Exactitud (Unit Step Input) Dinmicos
Alejandro Pea P.
Para este caso en particular, la funcin que representa el

Escaln, esta dada dela siguiente manera:

= 1
Sustituyendo en la ecuacin anterior:

1 Contenido
=
1 + lim Anlisis de Sistemas
1 Estabilidad
Donde: Root Locus
= lim Exactitud
1
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Reescribiendo Esquema MRAC
1 Modos Deslizantes
= Algoritmos de Aprendizaje
1 +
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Exactitud (Unit Ramp Input) Dinmicos
Alejandro Pea P.
Para este caso en particular, la funcin que representa la

rampa, esta dada dela siguiente manera:

=
1 2
Contenido

1 Anlisis de Sistemas
=
Estabilidad
Root Locus
Donde: Respuesta al Escaoln
Exactitud
1
= lim 1
1 Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
T: Tiempo de muestreo Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Exactitud (Unit Parabolic Input) Dinmicos
Alejandro Pea P.
Para este caso en particular, la funcin que representa la

parbola, esta dada dela siguiente manera:
2 ( + 1)
=
2( 1)3
Contenido

1 Anlisis de Sistemas
= Estabilidad
Root Locus
Donde: Respuesta al Escaoln
1 2
Exactitud
= lim 1
2 1 Control Neuronal
Adaptativo
T: Tiempo de muestreo. Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Exactitud (Matlab) Dinmicos
Alejandro Pea P.
Ejemplo: Evaluar la estabilidad de un sistema, obtenido

mediante la regla delta generalizada (G(z)=Gr(z)*Gp(z)).
0.5 1 + 0.12 2 0.008 3 = []

Contenido
>>Kp=dcgain(Gz); Anlisis de Sistemas
Estabilidad
>>GzKv=(1/T)*tf([1 -1],[0 1], T)* Gz; Estabilidad (z-plane)
>>GzKv=minreal(GzKv,0.00001); Root Locus
>>Kv=dcgain(GzKv) Exactitud
>>GzKa=(1/T ^2)*tf([1 -2 1],[0 0 1],T)*Gz; Control Neuronal

Adaptativo
>>GzKa=minreal(GzKa,0.00001) Self Tunning
Modelo Indirrecto
>>Ka=dcgain(GzKa) Esquema MRAC
Modos Deslizantes
minreal(Sys,Tol): Permite cancelar los trminos comunes de Equilibrio y Estabilidad

Funcin de Lyapunov
una funcin de transferencia: Definicin Intuitiva
Definicin Formal
Sys: Es el sistema a estudiar. Equilibrios
Tol: Es un parmetro opcional. Bibliografa
Control de Sistemas
Dinmicos
Alejandro Pea P.
(Funcin de Lyapunov)
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Alejandro Pea P., PhD. Algoritmos de Aprendizaje
pfjapena@gmail.com Equilibrio y Estabilidad

Funcin de Lyapunov
Definicin Intuitiva
Grupo de Investigacin en Inteligencia Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Funcin de Lyapunov Dinmicos
Alejandro Pea P.
Las funciones de Lyapunov, son funciones que demuestran la

estabilidad de cierto punto fijo en un sistema dinmico.
Las funciones que pueden probar la estabilidad de un punto
cualquier de equilibrio son llamadas candidatas a funciones
Lyapunov.
Contenido
Para los sistemas dinmicos (como los sistemas fsicos) las Anlisis de Sistemas
leyes de conservacin proveen frecuentemente las funciones Estabilidad
de Lyapunov. Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Funcin de Lyapunov Dinmicos
Alejandro Pea P.
Las funciones de Lyapunov, son funciones que demuestran la

estabilidad de cierto punto fijo en un sistema dinmico.
Las funciones que pueden probar la estabilidad de un punto
cualquier de equilibrio son llamadas candidatas a funciones
Lyapunov.
Contenido
Para los sistemas dinmicos (como los sistemas fsicos) las Anlisis de Sistemas
leyes de conservacin proveen frecuentemente las funciones Estabilidad
de Lyapunov. Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Tomado de Wikipedia (Funcin de Lyapunov, 2008)
Control de Sistemas
Definicin intuitiva funcin de Lyapunov Dinmicos
Alejandro Pea P.
Un sistema dinmico requiere un estado inicial y una

funcin de evolucin , que indica la trayectoria de los
estados futuros que tendr el sistema.
Una funcin de Lyapunov corresponde a una familia de
regiones espaciales , cada una de las cuales queda definida
Contenido
por una curva de nivel, o curva potencial .
Anlisis de Sistemas
Una vez que el estado ha entrado en la regio de Estabilidad
Lyapunov, correspondiente a la curva de nivel = , ya Estabilidad (z-plane)

Root Locus
no podr salir de ella. Respuesta al Escaoln
Exactitud
De este modo, a medida que el tiempo avanza, el sistema ir Control Neuronal
quedando atrapado en regiones de Lyapunov cada vez ms Adaptativo
Self Tunning
pequeas. Modelo Indirrecto
Esquema MRAC
Es por esto que la funcin de Lyapunov, ir en decrecimiento Modos Deslizantes
al pasar el tiempo, lo que permite asegurar que el sistema Algoritmos de Aprendizaje
dinmico es estable. Equilibrio y Estabilidad

Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Definicin de la funcin de Lyapunov Dinmicos
Alejandro Pea P.
Sea la siguiente funcin escalar :

:
Una funcin candidata de Lyapunov, si es localmente (en 0)
definida positiva, o equivalentemente, si existe un entorno U
de 0 tal que:
Contenido
0 = 0, > 0 <> 0
Anlisis de Sistemas
El segundo teorema de Lyapunov, se denota y define: Estabilidad
= 0 Estabilidad (z-plane)
Root Locus
En donde un punto de equilibrio del sistema autonoma esta Exactitud
definido: Control Neuronal
= Adaptativo
Self Tunning
Y sea Modelo Indirrecto

Esquema MRAC
= = = Modos Deslizantes
Esta es la derivada respecto al tiempo de una funcin Funcin de Lyapunov
candidata de Lyapunov. Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Equilibrios de Lyapunov Dinmicos
Alejandro Pea P.
Equilibrio Estable:
Este equilibrio, se da cuando la derivada respecto al tiempo de
la funcin candidata de Lyapunov V y localmente semidefinida
negativa, esto es, si existe un entorno V de 0 tal que:
0, Contenido
Anlisis de Sistemas
Para algn entorno o vecindad B, entonces se dice que el Estabilidad
sistema tiene un equilibrio estable. Root Locus
Equilibrio Localmente Atractivo: Exactitud
Si la derivada respecto al tiempo de la funcin candidata de Control Neuronal

Adaptativo
Lyapunov V esta localmente definida negativa, esto es si Self Tunning
Modelo Indirrecto
existe un entorno B de 0 tal que: Esquema MRAC
Modos Deslizantes
< 0, Algoritmos de Aprendizaje
Entonces el equilibrio es localmente atractivo. Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Alejandro Pea P.
Equilibrio Globalmente Atractivo:

Si las funciones candidatas de Lyapunov V estan definidas
como positiva sobre todo el dominio, y su derivada respecto al
tiempo es globalmente definida como negativa, esto es:
0, <> 0 Contenido
Anlisis de Sistemas
Entonces el equilibrio es globalmente atractivo. Estabilidad
El control mediante la utilizacin de los principios de las redes Root Locus
neuronales, utiliza como elemento fundamental el error Exactitud
cuadrtico medio, el cual se denota y define como: Control Neuronal
1 Adaptativo
= 2
2
Self Tunning
2 Modelo Indirrecto
Donde: Esquema MRAC
Modos Deslizantes
2 : Error cuadrtico medio. Algoritmos de Aprendizaje
: Set-Point o valor de referencia para el funcionamiento del Equilibrio y Estabilidad

Funcin de Lyapunov
sistema. Definicin Intuitiva
Definicin Formal
: Respuesta del Sistema Dinmico. Equilibrios
Bibliografa
Control de Sistemas
Alejandro Pea P.
Sea una red neuronal de tipo Madaline definida de la siguiente

manera:
=
De este modo, la actualizacin de los pesos teniendo en
cuenta la regla delta generalizada, tenemos lo siguiente: Contenido
2
= Anlisis de Sistemas
Estabilidad
+1 = + , Root Locus
Respuesta al Escaln
Exactitud
Donde:
Control Neuronal
, : Sensibilidad del controlador con respecto a la Adaptativo
Self Tunning
actualizacin de los pesos . Modelo Indirrecto
Esquema MRAC
, = Modos Deslizantes
: Es el controlador obtenido a partir de la red neuronal de Equilibrio y Estabilidad

Funcin de Lyapunov
identificacin. Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Alejandro Pea P.
De acuerdo con lo anterior, la derivada del error cuadrtico

medio en funcin del tiempo, se denota y define como:
2 2
=

Contenido
2
2 2
Anlisis de Sistemas
= , 2 Estabilidad
Root Locus
Cuando > 0, entonces 2 0 para todo > 0. De aqu se Exactitud
concluye que de la teora de estabilidad de Lyapunov, la Control Neuronal
funcin del error esta decrementando a medida que el tiempo Adaptativo
Self Tunning
esta creciendo. Modelo Indirrecto
Esquema MRAC
De esta manera, los parmetros de sintonizacin del modelo, Modos Deslizantes
son capaces de producir las entradas de control adaptables,
que son convenientes para que el sistema alcance la salida Equilibrio y Estabilidad
deseada . Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Dinmicos
Estabilidad (Root Locus) Alejandro Pea P.
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Alejandro Pea P., PhD. Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Grupo de Investigacin en Inteligencia Equilibrio y Estabilidad

Funcin de Lyapunov
Computacional y Robtica (GICR) Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.
De manera general, la estabilidad de un sistema realimentado,

esta directamente relacionada con la ubicacin de los polos.
Cuando el sistema posee una ganancia variable, la estabilidad
de un sistema depende del valor escogido para dicha
ganancia. Contenido
El anlisis root locus permite evaluar la estabilidad de un
Anlisis de Sistemas
sistema, en trminos de observar el movimiento de los polos Estabilidad
en el plano complejo, de acuerdo con la variacin de la Estabilidad (z-plane)
Root Locus
ganancia del sistema. Respuesta al Escaoln
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.
Ejemplo: Analizar la estabilidad del siguiente sistema,

mediante la utilizacin del mtodo root locus.
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Polos y Ceros Dinmicos
Alejandro Pea P.
En los siguientes ejemplos, se muestra el comportamiento de

diferentes sistemas de acuerdo con la ubicacin de sus polos
en el plano complejo.
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.


=
+ 0.5 2 + 0.6 + 10
Contenido
El diagrama en root locus se construye utilizando MATLAB de
Anlisis de Sistemas
la siguiente manera: Estabilidad
Root Locus
>>num=[1]; Respuesta al Escaoln
Exactitud
>>den=[1 1.1 10.3 5 0];
Control Neuronal
>>[r,K]=rlocus(num,den); Adaptativo
>>plot(r,-) Self Tunning
Modelo Indirrecto
>>axis(equal); Esquema MRAC
Modos Deslizantes
>>V=[-4 4 -4 4]; Algoritmos de Aprendizaje
>>axis(v) Equilibrio y Estabilidad
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.

z^4

z^4 1.5 z^3 + 0.38 z^2 + 0.128 z 0.008
Contenido
El diagrama en root locus en tiempo discreto se construye
Anlisis de Sistemas
utilizando MATLAB de la siguiente manera: Estabilidad
Root Locus
>>num=[1 0 0 0 0]; Respuesta al Escaoln
Exactitud
>>den=[1 -1.5 0.38 0.128 -0.008];
>>Gz=tf(num,den,[]); Control Neuronal
Adaptativo
>>Tz=feedback(Gz,1) Self Tunning
Modelo Indirrecto
>>rlocus(num,den); Esquema MRAC
Modos Deslizantes
>>[K,polos]=rlocfind(num,den); Algoritmos de Aprendizaje
>>axis([-1 1 -1 1]) Equilibrio y Estabilidad
Definicin Intuitiva
>>K Definicin Formal
Equilibrios
Este anlisis permite determinar el valor de K para el cual
es modelo presenta estabilidad. Bibliografa
Control de Sistemas
Root Locus Dinmicos
Alejandro Pea P.
Ahora para determinar la respuesta al escaln,, debemos

tener en cuenta el siguiente procedimiento:
>>[numcDz,dencDz]=cloop(K*num,den);
>>U=1; Contenido
>>[x]=dstep(U*numcDz,dencDz,201); Anlisis de Sistemas
>>figura Estabilidad
>>t=0:0.5:10; Root Locus
>>stairs(t,x) Exactitud
>>grid Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Dinmicos
Control Neuronal Adaptativo Alejandro Pea P.
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Alejandro Pea P., PhD. Esquema MRAC
Modos Deslizantes
Grupo de Investigacin en Inteligencia Funcin de Lyapunov
Definicin Intuitiva
Computacional y Robtica (GICR) Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Control Adaptativo en Manufactura Dinmicos
Alejandro Pea P.
En muchos casos, estos procesos y sistemas son muy

complejos, y en general son de tipo no lineal, multivariable y
sometidos a disturbios externos desconocidos.
Para lograr grados de autonoma en dichos procesos, se
requiere del diseo de controladores que sean capaces de Contenido
adaptarse al continuo cambio de la dinmica de un proceso. Anlisis de Sistemas
Estabilidad
El objetivo del control adaptativo, es ajustar los parmetros de Estabilidad (z-plane)
control, para lograr la respuesta deseado en un sistema Root Locus
desconocido, o que varia con el tiempo. Exactitud
Para el desarrollo de este tipo de controles, en muchos casos Control Neuronal

Adaptativo
no se cuenta con un modelo estimado del sistema, o un Self Tunning
modelo de referencia. Modelo Indirrecto
Esquema MRAC
En general, el control adaptativo con redes neuronales puede Modos Deslizantes
categorizarse en tres diferentes tcnicas de aprendizaje:
1. Aprendizaje Adaptativo Self Tunning. Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
2. Aprendizaje Adaptativo Indirecto Equilibrios
3. Aprendizaje Adaptativo - MRAC Bibliografa

Control de Sistemas
Control Neuronal Adaptativo (Self Tunning) Dinmicos
Alejandro Pea P.
En el aprendizaje general, En este tipo de esquema utiliza la

adaptacin de los pesos basado en la regla delta
generalizada. Esta actualizacin se genera luego de que el
control ha enviado la seal de control al sistema o proceso.
Este tipo de control se conoce como self tunning control, y se Contenido
denota y define de la siguiente manera (Dagli, 1994). Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Control Neuronal Adaptativo (Modelo Indirecto) Dinmicos
Alejandro Pea P.
El modelo indirecto, se aproxima a la dinmica inversa local

del proceso, es decir, la dinmica inversa en una determinada
regin de inters (Isazi, 2004).
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Control Neuronal Adaptativo (Modelo Indirecto) Dinmicos
Alejandro Pea P.
De acuerdo con el esquema anterior, la red es el objetivo de

control, y la salida de la red es la accin de control que se
aplica al sistema dinmico. De acuerdo con esto, el objetivo
del control se denota y define de la siguiente manera:
1
+ 1 = + 1 + 1 2 Contenido
2
Anlisis de Sistemas
Para poder llevar a cabo el aprendizaje del proceso, es Estabilidad
necesario conocer el jacobiano del proceso de la siguiente Estabilidad (z-plane)
Root Locus
manera: Respuesta al Escaoln
Exactitud
+ 1 = + . + 1
Control Neuronal
Adaptativo
Para este tipo de aprendizaje, no se hace necesario disponer Self Tunning
Modelo Indirrecto
de un conjunto de patrones de entrenamiento, pues lo datos Esquema MRAC
para el aprendizaje proviene de la evolucin directa del Modos Deslizantes
proceso.
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Control Neuronal Adaptativo (MRAC) Dinmicos
Alejandro Pea P.
El aprendizaje especializado, el modelo requiere de un modelo

explicito de un proceso, y en donde los parmetros del control
son ajustados mediante la minimizacin del error entre el
modelo y la salida actual del sistema.
Este modelo utiliza un modelo de referencia, el cual determina Contenido
la seal de control mediante la regla delta generalizada. Anlisis de Sistemas
Estabilidad
Este tipo de control se conoce como model reference Estabilidad (z-plane)
adaptative control (MRAC). Este modelo se denota y define Root Locus
de la siguiente manera (Dagli, 1994) Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control Modos Deslizantes
Control de Sistemas
Dinmicos
Alejandro Pea P.
Contenido
Anlisis de Sistemas
Estabilidad
Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Alejandro Pea P., PhD. Algoritmos de Aprendizaje
pfjapena@gmail.com Equilibrio y Estabilidad

Funcin de Lyapunov
Definicin Intuitiva
Grupo de Investigacin en Inteligencia Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Esquema de Control Dinmicos
Alejandro Pea P.
El control por modos deslizantes, es un tipo de control

utilizado para plantas con parmetros variables,
incertidumbres en el modelo y perturbaciones externas.
Para la implementacin de este tipo de control, es necesario la
identificacin del sistema, utilizando para ello el modelo
Contenido
neuronal de un paso adelante +1.
Anlisis de Sistemas
Este esquema de control, se denota y define de la siguiente Estabilidad
manera (Tomado: Giraldo and Hoyos, 2004): Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa
Control de Sistemas
Esquema de Control Dinmicos
Alejandro Pea P.
El controlador (usualmente otra red neuronal) monitorea las

entradas y salidas de la planta, y manipula la entrada (seal
de control) para calcular la prediccin de la salida.
Para este esquema de control, se utiliza un modelo interno del
sistema como referencia, el cual fue identificado y almacenado
por la red neuronal como modelo de la planta un paso Contenido
adelante. Anlisis de Sistemas

Estabilidad
La adaptacin del controlador, se hace mediante la utilizacin Estabilidad (z-plane)
Root Locus
de la regla delta generalizada, sobre la red neuronal un paso Respuesta al Escaoln
adelante que sirve de referencia a este esquema. Exactitud
+1
+1 = Control Neuronal
Adaptativo
Self Tunning
El error de mando o de comando virtual, se denota y define: Modelo Indirrecto
Esquema MRAC
+1 Modos Deslizantes
+ 1 =
+1
Donde: Equilibrio y Estabilidad

Funcin de Lyapunov
+1 = +1 +1 Definicin Intuitiva
Definicin Formal
Equilibrios
+1
: Jacobiano del Sistema.
Bibliografa
Control de Sistemas
Algoritmo de Aprendizaje Dinmicos
Alejandro Pea P.
El diseo de control por modos deslizantes, se divide en dos

fases:
En la primera, una superficie deslizante se define para
producir un comportamiento entrada/salida. Esta es la
adaptacin sobre el modelo un paso adelante, el cual se
denota y define: Contenido
= + 1 , 1 > 0. Anlisis de Sistemas

Estabilidad
Donde: Estabilidad (z-plane)
Root Locus
= +1: Error del modelo con respecto al setpoint. Respuesta al Escaoln
Exactitud
= : Error del modelo con respecto a la respuesta del Control Neuronal
sistema. Adaptativo
Self Tunning
En la segunda, los pesos son actualizados de forma que Modelo Indirrecto
Esquema MRAC
satisfacen las condiciones de seguimiento de la Modos Deslizantes
superficie deslizante.
= + 2 , 2 > 0. Equilibrio y Estabilidad
Funcin de Lyapunov
De acuerdo con lo anterior, estos errores son similares a Definicin Intuitiva
Definicin Formal
los errores del modelo, ya que el controlador se deriva de Equilibrios
este.
Bibliografa
Control de Sistemas
Bibliografa Dinmicos
Alejandro Pea P.
ISAZI, P. Redes de Neuronas Artificiales.

Ed. Prentice Hall Latinoamrica, Primera Edicin, Mxico, 2.002
HILERA GONZLEZ, Jos Ramn; MARTNEZ, Vctor Jos.

Redes neuronales artificiales: fundamentos, modelos y
Contenido
aplicaciones. Espaa: Rama, 1995. 390 p.
Anlisis de Sistemas
Estabilidad
Garca, B. Patricio, Introduccin a las Redes Neuronales y su Estabilidad (z-plane)
Aplicacin a la Investigacin en Astrofsica Universidad de Gran Root Locus
Canarias, Espaa, 2009. Exactitud
Control Neuronal
Navarro, Rina Ingeniera de Control Analgica y Digital, Mc. Graw Adaptativo
Hill, Mxico, 2004. ISBN: 970-10-4677-3. Self Tunning
Modelo Indirrecto
Esquema MRAC
Nise, Norman. Control System Engineering John Wiley & Sons, Modos Deslizantes
Fifth Edition, 2007. ISBN: 978-0471-79475-2.
Funcin de Lyapunov
Hernndez B. E. Noriega, L., B. Algoritmo de Control para Definicin Intuitiva
Definicin Formal
Sistemas Dinmicos No Lineales Aplicando Redes Neuronales Equilibrios
Completar
Bibliografa
Control de Sistemas
Bibliografa Dinmicos
Alejandro Pea P.
Daz, J.G. Peraza, C. Castellanos, J. et al. Comprobacin de la

controlabilidad de un sistemas no lineal mediante ANFIS
Universidad de Carabobo, Ingeniera UC (13-003), Valencia,
Venezuela, 2006.
Kuo, B. Sistemas de Control Automtico Ed. Prentice Hall, da. Contenido
Edicin, 1996.
Anlisis de Sistemas
Estabilidad
Dagly, Chan Artificial Neural Networks for Intelligent Estabilidad (z-plane)
Manufcaturing Ed. Chapman & Hall, London, 1994 ISBN: 0-412- Root Locus
48050-6. Exactitud
Giraldo B., D. Hoyos, J.G. Control Adaptativo con Red Neuronal Control Neuronal
Adaptativo
de Elman y Modos Deslizantes Scientia et Technica, Vol.X, Num. Self Tunning
24, pp. 49-53 ISSN: 0122-01701 Modelo Indirrecto
Esquema MRAC
Sedano, F. J. Alonso A., A. Villar F., J.R. Identificacin de Modos Deslizantes
Sistemas No Lineales mediante Redes Neuronales Artificiales
Tcnica Industrial, pp.45-53. ISSN: 0040-1838 Funcin de Lyapunov
Definicin Intuitiva
Meja, A. Caso de control adaptable para sistemas multivariados Definicin Formal
Tesis de Grado, Universidad Nacional de Colombia (Sede Equilibrios
Medelln), 2009 Bibliografa

Control de Sistemas
Dinmicos
Alejandro Pea P.
Contenido
Anlisis de Sistemas
Estabilidad
Muchas Gracias Estabilidad (z-plane)

Root Locus
Exactitud
Control Neuronal
Adaptativo
Self Tunning
Modelo Indirrecto
Esquema MRAC
Modos Deslizantes
Funcin de Lyapunov
Definicin Intuitiva
Definicin Formal
Equilibrios
Bibliografa

Control Inteligente

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Control Inteligente

Cargado por

Copyright:

Formatos disponibles

Control de Sistemas

Grupo de Investigacin en Inteligencia Bibliografa

Computacional y Robtica (GICR)

Cualquiera de la representaciones matemticas de un

De acuerdo con esto, un modelo sujeto a un set point (Entrada

tipo de sistema se le conoce como control en lazo cerrado o Control Sistemas

El problema fundamental del control, est asociado con la

Si el conjunto de destino es variante con el tiempo, Control Sistemas

fundamentales como son: controlabilidad y observabilidad. Control Neuronal

La observabilidad se enfoca en el problema de determinar el

De la mano de los conceptos anteriores, aparece el concepto Control Sistemas

inicial [0]. Introduccin

La controlabilidad de un sistema, responde a la siguiente

Estas caractersticas del sistema pueden ser contestadas Control Neuronal

entre entrada y estado, y se les conoce como el par de Bibliografa

La matriz de controlabilidad se construye de la siguiente Control Neuronal

controlable, es necesario y suficiente que la matriz (.) de Bibliografa

controlabilidad, sea de rango igual a n.

Para calcular la matriz de observabilidad:

Para llevar a cabo la simulacin de un sistema SISO en tiempo

>>y3=step(G,k); Control Neuronal

El incremento de las demandas tecnolgicas, ha generado

Las reas donde se esta trabajando alrededor del control

El objetivo del control inteligente, al igual que el control

La diversidad de los mtodos o estrategias de control, radica Control Neuronal

Regla Delta Generalizada, de manera que los parmetros del Bibliografa

En aplicaciones industriales, lo ms relevante del uso de

Las redes neuronales artificiales, ocupan un lugar importante

Los esquemas ms utilizados en el control con redes

Grupo de Investigacin en Inteligencia

El esquema de control inverso, consiste en aproximar

En este caso, la red neuronal se entrena para que aprenda la

(Regla Delta Generalizada)

El modelo neuronal para este tipo de aprendizaje, es obtenido

El control por la regla delta generalizada, se denota y define

u[k]: Representan la seal de control. Control Sistemas

Grupo de Investigacin en Inteligencia Equilibrio y Estabilidad

Computacional y Robtica (GICR) Definicin Intuitiva

Es una de las caractersticas ms importantes del control, ya

por lo menos paralela a la seal de entrada. Anlisis de Sistemas

plano s. Control Neuronal

Para calcular la estabilidad de un sistema en tiempo discreto,

>> rm=max(abs(r)); Control Neuronal

De manera general, la estabilidad de un sistema realimentado,

Ejemplo: Considerar un sistema en lazo cerrado el cual tiene

Ejemplo: Considerar un sistema en lazo cerrado el cual tiene

Ahora para determinar la respuesta al escaln, debemos tener

La exactitud de error (static or steady state error), se refiere a

sin error. Control Neuronal

Para evaluar la estabilidad y la exactitud de un sistemas de

Donde: Equilibrio y Estabilidad

entrada como: Escaln, Rampa y Parbola. Bibliografa

Para este caso en particular, la funcin que representa el

Para este caso en particular, la funcin que representa la

Para este caso en particular, la funcin que representa la

Ejemplo: Evaluar la estabilidad de un sistema, obtenido

0.5 1 + 0.12 2 0.008 3 = []

>>GzKa=(1/T ^2)*tf([1 -2 1],[0 0 1],T)*Gz; Control Neuronal

minreal(Sys,Tol): Permite cancelar los trminos comunes de Equilibrio y Estabilidad

pfjapena@gmail.com Equilibrio y Estabilidad

Las funciones de Lyapunov, son funciones que demuestran la

Las funciones de Lyapunov, son funciones que demuestran la

Un sistema dinmico requiere un estado inicial y una

>>GzKa=(1/T ^2)tf([1 -2 1],[0 0 1],T)Gz; Control Neuronal