Taller I Redes Neuronales Artificiales

Maichol Jesus Mindiola Joiro

Facultad de Ingenierías y Arquitectura
Universidad de Pamplona
Pamplona, Colombia
maichol.mindiola@unipamplona.edu.co

I. Resumen: En este informe se documenta la implementación de redes neuronales para simular el

comportamiento del control tradicional PID, usando el control neuronal PID clonado y
establecer una comparación de su aplicación y resultados al momento de enfrentarse a una
problemática cualquiera.

II. Palabras claves: Control PID, Control PID clonado, Matlab, Simulink, Redes neuronales.

III. Implementación:

1. Clonación PID:

Fig.1. implementación del diagrama de control en lazo cerrado.

Fig.2. Sintonización del controlador PI.

 Fig.3. Adquisicion de datos para entrenar la red neuronal.

Fig.4. Entrenamiento de la red neuronal

Fig.5. lazo de control para validar el correcto funcionamiento de la red neuronal entrenada.
 Fig.6. Respuesta comparativa de resultados.

En la figura anterior se pueden observar tres señales, las cuales presentan el mismo comportamiento. La primera
representa al controlador PI, la segunda señal controlada es la que envía los parametros para realizar el
entrenamiento de la red neuronal y la ultima es el control realizado por la red neuronal reemplazando el
controlador PI. Por lo tanto se puede decir que la red realizó un correcto funcionamiento y un excelente control
sobre la planta.

2. Clonación PID metodologia de neurocontroladores:

Fig.7. implementación del diagrama de control en lazo cerrado.

 Fig.8. Sintonización del controlador PI.

Fig.9. Adquisicion de datos para entrenar la red neuronal.

Fig.10. Entrenamiento de la red neuronal.

 Fig.11. lazo de control para validar el correcto funcionamiento de la red neuronal entrenada.

Fig.12. Respuesta comparativa de resultados.

Al realizar el control se obtuvo un resultado correcto, y el margen de error al momento de controlar la señal con
la red neuronal no es mayor al 2%. Por lo tanto esta metodologia tambien comprueba ser viable y puede ser
usada para replicar el comportamiento de un controlador clásico.
3. Clonacion PID con perturbaciones y ruido eléctrico.

Fig.13. implementación del diagrama de control en lazo cerrado.

Fig.14. Sintonización del controlador PI.

Fig.15. Adquisicion de datos para entrenar la red neuronal.

 Fig.16. Entrenamiento de la red neuronal.

Fig.17. lazo de control para validar el correcto funcionamiento de la red neuronal entrenada.

Fig.18. Respuesta comparativa de resultados.

Al momento de añadirle ruido electrico y perturbaciones al sistema, se intenta observar la velocidad y el
correcto seguimiento de la respuesta del sistema para volver a estabilizarse. Se puede verificar que tanto el
controlador clasico como la red neuronal lo hacen de una manera perfecta obteniendo así un resultado correcto.

4. Clonación PID metodologia de neurocontroladores con perturbaciones y ruido eléctrico:

Fig.19. implementación del diagrama de control en lazo cerrado.

Fig.20. Sintonización del controlador PI.

 Fig.21. Adquisicion de datos para entrenar la red neuronal.

Fig.22. Entrenamiento de la red neuronal.

Fig.23. lazo de control para validar el correcto funcionamiento de la red neuronal entrenada.
 Fig.24. Respuesta comparativa de resultados.

Teniendo en cuenta el ruido y las perturbaciones al observar la grafica anterior se puede verificar un resultado
correcto, con un pequeño margen de error al momento de controlar la señal con la red neuronal.

5. Identificación:

Fig.25. implementación del diagrama de control en lazo abierto.

Fig.26. Adquisicion de datos para entrenar la red neuronal.

Fig.27. lazo de control para validar el correcto funcionamiento de la red neuronal entrenada.

Fig.28 Validación con entrada senoidal.

 Fig.29 Validación con generador de pulsos.

Al momento de usar diferentes entradas al controlador se puede observar que la red realiza una excelente
identificación del tipo de señal ingresada y dejando ver que la red neuronal está entrenada perfectamente para
diferentes tipos de entradas que se le presenten.