Taller II 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 y del control

tradicional PID para simular la salida real de un proceso cualquiera y tenerla como respaldo
para poder ser usada si es necesario. Haciendo uso de retardos y entradas aleatorias se pretende
lograr la identificación correcta para la planta en cuestión.

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

III. Implementación:

• Sintonización PID:

Fig.1. Sintonización del controlador PID

Fig.2. Salida de planta controlada.

 • Entrenamiento de red neuronal:

Fig.3. Esquema para la obtención de datos.

Mediante el uso de combinación de diferentes señales se trata de simular una entrada lo más real posible
incluyéndole ruido y perturbaciones al sistema.

Fig.4. Entrada simulada al proceso.

 Fig.5. Salida controlada del proceso.

Se realiza el entrenamiento de la red neuronal usando como parámetros de entrenamiento los datos enviados
mediante el esquema anterior, y se procede a incluir la red entrenada en el sistema.

• Validación:

Fig.6. Implementación de red neuronal y validación de funcionamiento con estrada paso.

 Fig.7. Salidas obtenidas para validar el correcto funcionamiento de la red entrenada.

Se logra observar una muy buena respuesta de la red entrenada, un comportamiento correcto y un error
mínimo entra la salida real y salida estimada por la red neuronal.

A continuación, se procede a ingresar una entrada “real” simulada mediante combinación de señales, para
validar el funcionamiento de la red.

Fig.8. validación del sistema con entrada aleatoria.

 Fig.9. Salida del sistema comparando la entrada aleatoria y la salida obtenida.

• Conclusiones:

- Las redes neuronales permiten desarrollar multiples aplicaciones en un periodo de tiempo razonable
y puede realizar ciertas tareas mejor que otras tecnologías convencionales. En este caso se usan para
la identificación de sistemas brindando una muy buena respuesta al momento de implementar este
tema en específico.

- La implementación de retardos tanto en la entrada como en la salida del sistema permiten realizar
una mejor identificación, ya que nos brindan un mejor entrenamiento de la red neuronal y
simultáneamente la identificación realizada por la red será mucho mejor.

- Se pueden implementar la cantidad de retardos que se crean necesarios, sin exagerar su cantidad e
igualmente el numero de capas y neuronas al momento de entrenar la red.

- Realizando varios ejemplos contemplando diferentes casos para el sistema, van a provocar que la
identificación sea buena o no. Esto es una característica de las redes neuronales, pues no existe una
manera de saber la configuración optima para cada tarea, pero con practica se puede mejorar el
análisis y agilizar el tiempo a la hora de realizarlo.