Está en la página 1de 35

!

"

# $
$ "
% %

&
'
() * () *
+ % ( *
% $ % % (
* % #
, ( * ( * - % ( * %
" % ,
%
Figura 2.1 Representación a bloques de un sistema.

" #
.'/ 0

+ + +
=
+ + +

" $

'' & $
% ( '* %

Figura 2.2 Diagrama de un sistema dinámico.

"
# .'/'0

=
.'/'0

! "
#
)

'1 2

Figura 2.3 Esquema de un sistema retroalimentado de control.

$
, %
.
3 0 .
0 .0
% .0 1

% .
4 2 ' 10 5 .0 " % % #
# % 6
.0 %
% , 5 7.0 8

"
5
7 . 0 86

" +
% '1
%
"
# 5
7.0 8 +

$
" ! % "

$
, $

'

Figura 2.4 Retroalimentación directa de estado.

)
'!

Figura 2.5 Retroalimentación de estado usando un estimador.

) % 7 8

&
' !
( !

&
'!

.0
.3
0 .
0

#
9 %
.0 #
.0 "
% $

.0 .0 -

#.:0 .0
7:;8

;
<
, ; , $

3
% ,
,

+
,
2
=

)
'1 7'8

$
%

"
$ $
$
,

718
,
$

"
"
>
, # $
. , 0

9 6
# >
$ 2 $ ?
9 ''
6 ! "

" %

, , % 3+&
% "
$ ? ?
$
( * ,
( # *
) #
$ %

)
+ ! ! !
, (

*
"
$ "

% @ A

. 0 ,
3 $
$
,

) 2 B C7 8

,
"
$

D -3ED $ $
, F; E

'1 3 G .( *07!8

) %
%
$
# %

;
. ' 10 $
'A

*
' .
/
-
0 1 ( 0 0 ! (
0 2 ! " 0
3
" ! % (

-
Entrada de
c omando Salida
Base de
conocimiento

Proceso y
Fuzzificac ión Inferenc ia Defuzzific ac ión
medición

Figura 2.6 Esquema de un controlador difuso insertado en el esquema


general de un control retroalimentado.

'A '1
- & F "
%
. % 0 %
" & H

- F

3 %
"
"

I 2 .< F< E :0
# #
. FE 0 ; , $ < F< E 7A8
%
< FE

% $

F-/;J D , ,
F-/;J D
9 F-/;J D
"

$ %

4
5 0 "
6
7 87 9 7 8 7 9
:8:9 : ( 8 : ( 9

3
)

& >! " #


$ # % µ"&'( )* +

- > $ ", → )* + #
$ # % "

>" #
- ./% , "
# 0 .

) >0 " " #

" >

F-. . 00 . .'00 K . . 00
;J D . . 00 K . . 00

< ;L 7C8>

3 < ! 1
. . . ,

L > # + K # + M K M

! # . ,

2 ; + 2<( = 8> :9 44) ? %@

4
% %

3 ;L / ! .
. . ,

L > # + K # + 5 L.# K #D0 K 5 L.# K #D0

2 .

9 ;L /
%
9 <

<

" )
"
N ,O

) %

/ & %

3 , > %
&( % &(
% > : ≤ & (≤ : : ≤ & (≤ : " %
&(
:≤ & (≤ ) % 1
% "
% 'C

Bajo Medio Alto Bajo Medio Alto


1 1

0.8 0.8
Degree of membership

Degree of membership

0.6 0.6

0.4 0.4

0.2 0.2

0 0

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
e(n) de(n)

Figura 2.7 Funciones de membresía definidas para las señales


de entrada al controlador difuso

6
) $
'C ) % $
( * ( *
$
'G
%

bajo medio alto


1

0.8
Degree of membership

0.6

0.4

0.2

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1


salida

Figura 2.8 Funciones de membresía “crisp” para


la salida.

/ &

3
. 0 >

1. If (error is bajo) and (cambioerror is bajo) then (salida is bajo) (1)


2. If (error is bajo) and (cambioerror is medio) then (salida is medio) (1)
3. If (error is bajo) and (cambioerror is alto) then (salida is alto) (1)
4. If (error is medio) and (cambioerror is bajo) then (salida is bajo) (1)
5. If (error is medio) and (cambioerror is medio) then (salida is medio) (1)
6. If (error is medio) and (cambioerror is alto) then (salida is alto) (1)
7. If (error is alto) and (cambioerror is alto) then (salida is alto) (1)
8. If (error is alto) and (cambioerror is medio) then (salida is alto) (1)
9. If (error is alto) and (cambioerror is bajo) then (salida is alto) (1)

Tal vez habría que definir o explicar cuántas funciones se tienen que determiner. ¿porqué 9 y no más?

/ ) N O

/ )

" 2
2

+
3

)
( * "

2 D
< 6 , D
µ K µD6 D "
5β K βD >

µα ⋅ β
= =

µα
=

α % N O

/ E

&(
3 . 0
% &( % &( 3
)& % 3 %
&( 3 )F

• 3 )F> F- &( + 3 M ;J D 3 3

• 3 )&> F- &( + 3 M ;J D &( 3

3 %

'1'3 7G8

+ 7H8 $ ,
,
, $ 2
%
)
'H

Figura 2.9 Esquema de una neurona artificial.

>

= A +

% .(# *0 ?

9 #
9 ' :

Figura 2.10 Una capa de neuronas.

" 2 >
'

$
1 5 1

0.9 4 0.8

0.8 3 0.6

0.7 2 Función 0.4

0.6 Función 1
lineal 0.2 Función
Sigmoidal Tangencial
0.5 0 0

0.4 -1 -0.2

0.3 -2 -0.4

0.2 -3 -0.6

0.1 -4 -0.8

0 -5 -1
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5

Figura 2.11 Funciones de activación comúnmente usadas.

$ $
# /
. B 0 B
# B
9 $ ( 4 * 1 #
6

&

+ %
#
3

#$ #
# $
" >

0 3
'0 3
10 E
0 3

>

0 3

$
' "
0 3
0 &

% &
% >

0 <
0 & % . 0
0 & %
0 & %

>

0 3
0 3
0 3
0 3
0 "

P ω. '/!0 + DD

% Q .'/!0

DD> P.ω0
ω
.'/!0

0 3 D F 7C8
0 3

< .F 0

"
. F E0 , ( 4 * $

&
BBC B B A D

)
6
#
.- ' '0

u Y
Planta

Entrenamiento

Red Neural
u’
Figura 2.12. La red neuronal puede ser usada como el modelo
del proceso como caja negra.

+
%
'/A>

BBC { − ω }
ω
1*

R
+ SKT
9
'/A '/C>

C − = ω
ω

1-

9
%
>

0 4

9 "
U
' 1 >

*
C { E
− − }
.'/G0

/ V ;
Q / &
V % V
>

E= E
.'/H0

E #

u Y
Planta

Entrenamiento

Red
Neural
u’
Figura 2.13. Una red neuronal en un modelo inverso.

. ! 0
< )3 A

$ $ $ 2
"
. 0
+2 #
,

)
' " F
( '
! ( (
*
7 ,+C 7 , ! +

-
0 +

3
,

/
>

C {η E −η }
.'/ :0

ηV η
"
# η 2
,
9 ηV
>

G{ E − H } = η
.'/ 0

3 + 3

& $ $
)
6
. ' 0
F

3
Entrenamiento

Red
Neural

r Modelo o y
Controlador
+ Proceso
- u

Figura 2.14. Red neuronal como autosintonizador en lazo cerrado.

" )F&
"
)F& .@ Q @ .; 0Q @ .; 0Q
0 %
" )F& 2
$ $ +
2 ) %

)F&

'0 3
0 <

# .- ' !0

4
e u
Controlador

Entrenamiento

Red Neural
u’
Figura 2.15. Red neuronal para modelar un controlador ya existente.

" #
.( . *0
# &
% >

C
ω
{ E − ω }
.'/ '0

V # 3V 9 # 3V
$ >

G{ E − H } =
.'/ 10

3
$
.( 4 *0 # #
$ %
) )F&
.( *0 ,
+
Q "
+4W .( .
4 5 ' . *0 #

0 3

6
$
$ ( *
+ $ %

$ % %
>

C
ω
{ E− } = ω
.'/ 0

"
#
%

% (
* %
( % * ' A
%

Entrenamiento

r u y
Red Neural Planta

Figura 2.16. Concepto de diseño de un controlador neuronal libre de modelo.

( * M 7 :8
; #
%
, $
# %

+ $ ,
"

2
0 3

&
. 0
$ , %
( *
>

C
ω
{ E− } = ω
.'/ !0

+ .'/ 0 . 0
, 3 ' C
Q

( * 9
%

9 %
& $ $ $
$
%

Entrenamiento

r u y
Red Neural Modelo

Figura 2.17. La planta se reemplaza por un modelo.

#
#

9
0 3

" 2 2 >
/
2 %

)
$ % %

.- ' G0

Entrenamiento

r u y
Red Neural
Modelo

Figura 2.18. Concepto de diseño en control robusto. El controlador no se diseña exclusivamente


para un proceso nominal, sino para una familia de procesos.

% >

C
ω
{ E− } = ω ∀ ∈
.'/ A0

/, < F

2 "
. 0
. 0
$ ) $
+
. # 0
9
%

$
10 E 7 8

0 3 7 '8

,
$ &(
&( >

− ≤ε
→∞

) :
' H %
2

<

4D+
)
3 3
3

Figura 2.19 Estructura del control con modelo de referencia.

0 3

$
7 18
"
' ': )
,

&
!
" $ %" &%

!
#

Figura 2.20 Estructura para el control con modelo interno.

0 "

$ $ "
2 "
% ,
+ $
# #
''

r(t) w(t) - ^f[.] u(t) y(t)


^
Sistema
g[.]

-1
q -2 q

-1 -2 -2
q q q q
-2
q
-2
q
-1

NN-2 NN-1
^g[.] f[.]
^

- ''

''

)
# 78 X7 8
D $

'#

; '#
Esquema Característica
1. Control neuronal indirecto
a) Control basado en un modelo de Diseño de un control tradicional que ha sido diseñado
proceso generado con una red neuronal con un proceso modelado con redes neuronales.
b) control basado en un modelo inverso El control es el modelo inverso del proceso. Este
generado con una red neuronal modelo inverso es una red neuronal.
c) Desarrollo de una red neuronal Se ajustan los parámetros de un controlador clásico
autosintonizada. usando una red neuronal.
2. Control neuronal directo
a) Modelo de un controlador. Se copia el comportamiento de un controlador existente
usando una red neuronal.
b) Diseño de un control neuronal libre de Red neuronal como controlador, entrenado con el
modelo (sin modelo). proceso real.
c) Diseño de un control neuronal basado en Red neuronal diseñada primero con un modelo de un
un modelo proceso.
d) Diseño de un control neuronal basado en Red neuronal diseñada primero con un modelo de
un modelo robusto. proceso y algunas variaciones del mismo.
3. Otros esquemas de control neuronal
a) Control con modelo de referencia. Red neuronal como controlador, pero teniendo un
modelo como elemento de referencia.
b) Control con modelo interno. Utiliza dos redes neurales, una como controlador y la
otra como modelo del proceso.
c) Control predictivo. Se usan dos redes neuronales una de las cuales es un
modelo predictivo de funcionamiento.
d) Control lineal adoptivo. ¿? No entiendo bien, releer. Parecido al 2b).
e) Linealización por retroalimentación Se usan dos redes neuronales para linealizar el
comportamiento del controlador.

; )
3 $ N
OJ
.N
O0

*
'113 D

$
$
,

&

, &
,
6

2 " 7 8
"
# . 0 $
6

F/ D;ED3 &6 5 6(

" 7 !8 D L
@ , " 7 8
>

!" #$ ! %$ &&'(
, )
$ .( . *0

#) *! !" #$ %$ &&'( )

9 /

* " #$ + !)#,
. Q
0 & ,
>

• +
• +
• +
• +

-
* " #$ -./ #
$ $ ,

3
# > +D-F - D
+4F3 D -3"+ D -3ED D -)4EW 7 !8

+ ,
.+4F3 D -3ED0
2 .+D-F - D D -3"+ D -)4EW0

" $ I+4F3
D -3ED 3 # $ $ # D -3ED
F; E $ 2 +
D -3ED

'1 D -3ED

D -3ED , (02 70
C

, G D -3ED
H

" ' ''


D -3ED "
ξ ξ' "
η D -3ED . %
'' " 4 4!
) 41 >

41> ξ ξ' η M'

M' , Y µ
µ ν'

-
= B DI . J BK (
3
L 4 M )N CB D= !
", ; 00 1: O4& /81P D F 7 F: +
4
0 0 " ! " < " " 0
( " " " 0

3
Figura 2.22. Sistema NEFCON con dos variables de entrada y cinco reglas.

" # D -3ED 2 .
0 #
. # 0 ' '' #
ξ 4 4' µ # 4 4! η
2 ν1
#
, #
2

" D -3ED
+
$
D -3ED
, D -3ED

D -3ED >

• 4
• ) .(# 8 *0 .(
8 4 *0

4
• + $
• Y #


,

L
D -3ED >

• ) ξ

• " η
• ) 4 $

• 3 4

µ# . 0 , Y # .M0 . 0
4 # , Y
#
• " /
.& . 00 .& . 00

D -3ED

"
"

!' ( )* ( +"% 7 A8

D -3ED
" % $
+
"
+ Z[

+
η # >

.' 9 ' 05 .η 0 .' 9 ' 0

3 .Z [0 .' 9 ' 0

$6
" D -3ED
< "
,

!( )* , '

" , >
, ,
.
6 0 ,
$

!' +"% ( )* '

D -3ED F "
7'H8
2 &

η &
,
.
NO0 +
, %
; +
,

, + $

!' , ( ( )* '

. / 0 &

&

&

D
$
/
$

$
-

# 2 ) D -3ED

# C!5 A G:C .
2 0 3 2
D -3ED )

D -3ED

D
$ # ,
) $

" D -3ED
$
/ ,
2 NO D
& $

>


D -3ED
D

,
D -3ED
9

%( ) , '

" %
Q

$
"
,

!' +"%

D -3ED/F
# (
* 9 ( *

η & ( *

!' +"%

D -3ED/F
D -3ED/FF , $
. A0 # $

" >

. 0 . 0

+
$
D -3ED

D -3ED/FF D -3ED/
F
D -3ED/F

; %

% 2
+
( * ,

, $
# &

$ %

D -3ED < +;"+M. 0

$$
D -3ED $ ? 69 #
< ? ? < +;"+MQ F< 9"FD@
> .$ >QQ / 0

" $ $ < +;"+MQ F< 9"FD@


$
) D -3ED
+ $

% ,

D -3ED < +;"+M < +;"+M

N O

I $ \ PU ;$ " % #) *! ) "* !
0 (1" D < ,# HHG

; L @ %! # ) )# ) $ &&'" 2# $ + ! )# !"
!++"# !)# ( 9 + HHC

+I M 4 3 + D L $
F ; < ]3 1>G1!/G A
HG1

# <
;L "

7= J $ &&' ) "! * "# 21! $ ! F )


9 + ':::8

7 89 / % # 3* # ! #) *! ) "( ;$ " < ,# '::

$&
7'8 + L ) P) @ < %! # ) )# ) # ) ""#2 ) !
! ) * ) "( .) E ?0 @ ? + ) $ 9 + HH1

718 + L ) P %# ) ""#2 ) ) "(


P$ \ F HHC

7 8^ " = %# ) #!" # ) "#2 ) ) "1$ !* )!" !++"# !)# ( P$


\ ] I M HHA

7!8 M J 4 %$ &&' ! !" ) "( 3 H %! # ) )# )


# ) ""#2 ) ! ! ) * ) "( + L ) P) @ <
@ ? + ) $ 9 + HH1

7A8 3 P , U ) " #$ +! ! * ! #+ "!


2 ! "#/ )! ; < F; E ':::

7C8 P 4 , %$ &&' " 2# # ) "( )$& ;$ ; $ $ 9 & I


HH!

7G8 E E 6 & "6% !" ' ) * $ ) "(6 + ) 9 +


HHC .4 F; E A'H GH E< F0

7H8 \ ) P6 %! , ,# 4 $ !" )4 5 $ ) "( F 3


P HH

7 :8 D_ < 64 E6) D@ J "@ ( !" 4 5 $


* ""# 2 ! ) " $ ' !* # ' ) * ( U " ':::

7 8D D ? L 3 B+ @ P J9D; & M+4M+4E 4 ^MF@E\ @F


) P I+\ \ ;J4E) + 'G A HH' ) ) " E# . 7 '80

7 '8 ) % J & " & % !" )4 56/! * " $ ! !+)#,


) " ' ) *( F ; < 3 /) MU 1: D -
'::: . 7 !80

7 18 - L + # 6D E 6% "# ! # ) !" * " ) " /!


" !" "# ! !" )4 5 (6 ) $ ':: F < 3
3 . A0

7 8" 3$ ; 3 I " 7 !" $ &&' ' ) * 1 ! $ &&' ' 2# *


) # ) ""#2 ) ' ) * 7 ) J 9 + HHA . H0

7 !8 & D L - L@ ? 4 @ 7$ !)# $ 6$ &&' ' ) * 7


P$ \ 9 + HHC . C0

7 A8 DY +6D L &6@ 46% 8 $ &&' ) " /! )- $


* "9 ) , " +* ) ( ' . HHH0 U HHH

$)