Control de un motor de pasos con un grupo de perceptrones
Anthony Sevilla Alexis Borja
Carrera de Electrónica y Automatización
Universidad Politécnica Salesiana
Cuenca, Ecuador
Abstract—La practica se centra en el entrenamiento de dos
conjuntos de neuronas mediante prohgramacion,utilizando el
enfoque del perceptron. Con esto podemos controlar velocidad
y direccion de motor mediante dipswitch independientes.Al
conbinar la capacidad de la neurona para aprender y adaptarse,
con esto se da un control preciso del motor.
I. OBJETIVOS
• Entrenar un grupo de neuronas con un entrenamiento de
perceptrones para el control de velocidad como direccion
de motor.
• diseño de el circuito con amplificadores operacionales
para el control de las señales recibidas.
• Ajustar y probar los circuitos para obtener el fun-
cionamiento eficaz del motor.
II. MATERIAL DE PRACTICA
• amplificadores operacionales LM741.
• Arduino Uno.
• Motor Dc con Puente H.
III. M ARCO T EORICO
El perceptrón es un tipo básico de red neuronal artificial que
fue propuesto por Frank Rosenblatt en 1957. Aunque ha sido
superado por redes neuronales más complejas, el perceptrón
proporciona una base teórica importante para comprender las
redes neuronales modernas. A continuación, se presenta un
marco teórico del perceptrón:
• Neurona artificial: El perceptrón se basa en el concepto
de una neurona artificial, que es una unidad básica
de procesamiento inspirada en las células nerviosas del
cerebro humano. Una neurona artificial recibe una serie
de entradas, las procesa y genera una salida.
• Función de activación: Cada neurona artificial en un
perceptrón utiliza una función de activación para deter-
minar si la salida de la neurona debe activarse o no. La
función de activación más comúnmente utilizada en el
perceptrón es la función de paso o función escalón, que
asigna un valor binario a la salida basado en un umbral.
Otras funciones de activación, como la función sigmoide,
también se utilizan en redes neuronales más complejas.
• Pesos y sesgos: Cada conexión entre las entradas y la
neurona en el perceptrón está asociada con un peso.
Los pesos representan la importancia relativa de cada
entrada para determinar la salida. Además, se utiliza un
sesgo (bias) para ajustar el comportamiento de la neurona.
Carrera de Electrónica y Automatización
Universidad Politécnica Salesiana
Cuenca, Ecuador
Los pesos y el sesgo son parámetros ajustables que se
modifican durante el entrenamiento del perceptrón.
• Regla de aprendizaje: El perceptrón utiliza una regla de
aprendizaje para ajustar los pesos y el sesgo de manera
iterativa durante el entrenamiento. La regla más conocida
es la regla de aprendizaje del perceptrón propuesta por
Rosenblatt, que se basa en el concepto de aprendizaje
supervisado. Esta regla actualiza los pesos y el sesgo en
función de la diferencia entre la salida calculada y la sal-
ida deseada para un conjunto de datos de entrenamiento.
• Capas y arquitectura: El perceptrón es una red neuronal
de una sola capa, lo que significa que consta de una
capa de entrada y una capa de salida. Las entradas se
propagan a través de las conexiones ponderadas hasta
la capa de salida, donde se genera la salida final. Esto
contrasta con las redes neuronales multicapa, como las
redes neuronales profundas, que tienen múltiples capas
ocultas entre la capa de entrada y la capa de salida.
• Limitaciones: Aunque el perceptrón es un modelo fun-
damental, tiene ciertas limitaciones. Por ejemplo, solo
puede resolver problemas linealmente separables, lo que
significa que no puede representar funciones no lineales
complejas. Sin embargo, estas limitaciones se superan
con redes neuronales más complejas, como las redes
neuronales multicapa.
Fig. 1. perceptron multicapa
Representación matemática: Matemáticamente, un perceptrón
puede representarse como una función de entrada y salida.
Dado un conjunto de entradas x, x, ..., xn y los correspondi-
entes pesos w, w, ..., wn y el sesgo b, la salida del perceptrón
(y) se calcula mediante la siguiente fórmula:
y = f(wx + wx + ... + wnxn + b)
Aplicaciones: Aunque los perceptrones son modelos
básicos, han sido utilizados en diversas aplicaciones. Algunas
de estas aplicaciones incluyen reconocimiento de patrones,
clasificación de imágenes, procesamiento de texto y control Formula de salida de perceptron
de robots, entre otros. Donde f() es la función de activación.
ωθ = 1.14 (13)
IV. CALCULOS
Formula de salida de un perceptron
Y (t) = f [ω1X1 + ω2X2 − ωθXθ] (14)
donde
•
Y (t) = Salidadeperceptron (15)
• f= es la funcion de activacion
• ω = eselvectordepesos
• ωθ = eselsesgonegativoquerepresentaelumbraldeactivacion
Fig. 2. tabla de verdad neurona de direccion

TABLE I
• 1 -¿ izquierda 0-¿ derecha N EURONA DE DIRECCION

0 0—0 Y=-1.2 (2)=-2.4

0 1—0 Y=0.5(5)-1.2(2)=0.1
1 0—1 Y= 3(5)+1.2(2)=12.6
1 1—1 Y=3(5)+0.5(5)-1.2(2)=15.2

TABLE II
N EURONA DE VELOCIDAD

0 0—0 Y=-1.14 (2)=2.2

0 1—0 Y=0.45(5)-1.14(2)=0.03
Fig. 3. tabla de verdad neurona de velocidad 1 0—1 Y= 0.55(5)-1.14(2)=0.47
1 1—1 Y=0.55(5)+0.45(5)-1.14(2)=2.72
• 1 -¿ rapido 0-¿ lento
para nuestro entrenamiento buscaremos los pesos que estan V. NEURONA DE DIRECCION
relacionadas con las entradas y con el umbral
en estos casos tenemos un umbral de θ = para esta se implemento un operacional como inversor , el
2inicializamoslospesosdelaneuronadedireecion : cual invertimos la polaridad de nuestra señal como es voltaje
de Umbral el cual es de -2.4V.
ω1 = 1 (1)
ω2 = 1 (2)
ωθ = 1 (3)
nuestros pesos resultantes son
ω1 = 3 (4)
ω2 = 0.5 (5) Fig. 4. circuito inversor

ωθ = 1.2 (6) R2
V out = V in (16)
inicializamos los pesos de la neurona de velocidad: R1
VI. DATOS DE NEURONA DE DIRECCION
ω1 = 1 (7)
• Vin= 2v
ω2 = 1 (8) • Vout= -2.4V
• R1 = 10 KΩ
ωθ = 1 (9) R1 10k
R2 = V in = 2 = 8.7k (17)
los pesos resultanes de la neurona de la velcidad V out (−2.28)

ω1 = 0.55 (10) R2 = 8.3kΩ = 8.2valorcomercial (18)

para la respectiva sumatoria de todos los pesos multiplicamos
ω2 = 0.45 (11)
por sus respectivas entradas configuramos un amplificador
ωθ = 1.14 (12) operacional sumador inversor
 para ambos casos, ya sea la neurona de direccion como la
neurona de velocidad, las salidas de ambos sumadores son de
signos opuestos al que buscamos, debido a la primera con-
figuracion con amplificadores operacionales inversores para
obtener el voltaje de salida del sumador para ambos casos.
por ultimo, para los 2 grupos de neuronas, la salida la

Fig. 5. circuito sumador

Rf Rf Rf
V out = V in( ) (19)
R1 R2 R3
obtenemos el valor de R2 Y R3 respectivamente del valor de
umbral
VII. NEURONA DE VELOCIDAD Fig. 8. circuito inversor
para la configuracion de la neurona de velocidad se implem-
neto un amplificador operacional inversor el cual nos permite tenemos que evaluar en una funcion.Lo realizamos mediante
invertir la polaridad de nuestra señal en este caso Vumbral es una configuracion del amplificador operacional en comparador
de -2.28V el valor de salida del ultimo inversor se compara con 2.5V, si

Fig. 6. circuito inversor Fig. 9. circuito comparador

R2
V out = V in (20) el valor es mayor se va a 1(5v) y si el valor es menor a 2.5v se
R1 va a 0 (0v) una vez que las neuronas se encuentran entrenadas
VIII. DATOS DE NEURONA DE VELOCIDAD
• Vin= 2v
• Vout= -2.28V
• R1 = 10 KΩ
R1 10k
R2 = V in = 2 = 8.7k (21)
V out (−2.28)
para la respectiva sumatoria de todos los pesos multiplicamos
por sus respectivas entradas configuramos un amplificador
operacional sumador inversor
Fig. 10. neurona de control de direccion

Fig. 7. circuito sumador

Fig. 11. neurona de control de velocidad

Rf Rf Rf
V out = V in( ) (22)
R1 R2 R3 y listas con los amplificadores se desarrolla la parte del control
obtenemos valores de R2 y R3 respectivamente, nos referen- del motor mediante un arduino Uno y un l298n pra nuestro
ciamos igual que en el caso del valor del umbral motor
 IX. CONCLUSIONES
• Los perceptrones pueden ser entrenados utilizando algo-
ritmos de aprendizaje supervisado o no supervisado para
reconocer y responder a diferentes patrones de entrada.
En el caso del control de un motor a pasos, se pueden
utilizar señales de retroalimentación, como sensores de
posición, para entrenar los perceptrones y ajustar los
parámetros del controlador.
• Los motores a pasos son conocidos por su capacidad de
realizar movimientos precisos y repetitivos en incremen- Fig. 13. CODIGO ARDUINO
tos discretos. Al utilizar un grupo de perceptrones para
controlar el motor, es posible ajustar con mayor precisión
la posición y la velocidad de los pasos del motor, lo
que puede ser especialmente útil en aplicaciones que
requieren un alto grado de precisión, como impresoras
3D o robots industriales. los perceptrones son útiles en el
control de motores a pasos, también tienen limitaciones.
Por ejemplo, los perceptrones son buenos para problemas
de clasificación linealmente separables, pero pueden tener
dificultades para lidiar con problemas más complejos.
Además, el número y la configuración de los perceptrones
pueden requerir ajustes y optimizaciones para lograr un
rendimiento óptimo en una aplicación especı́fica.
X. BIBLIOGRAFIAS
Zhang, L., Hu, W., Zhang, H. (2018). Stepper Mo-
tor Control Based on Improved BP Neural Network
Algorithm. In 2018 IEEE International Conference on
Mechatronics and Automation (ICMA) (pp. 1650-1655).
IEEE. DOI: 10.1109/ICMA.2018.8485714Wang, J., Shi,
Fig. 14. ARMADO DE PERCEPTRON
X., Jiang, Y. (2019). A Novel Motor Control Method
Based on Fuzzy Neural Network. In 2019 IEEE 4th
Advanced Information Technology, Electronic and Au-
tomation Control Conference (IAEAC) (pp. 963-967).
IEEE. DOI: 10.1109/IAEAC.2019.8896622 Zhang, J.,
Zhang, Y. (2020). Intelligent Control of Stepper Mo-
tor Based on Recurrent Neural Network. In 2020
6th International Conference on Control, Automation
and Robotics (ICCAR) (pp. 145-149). IEEE. DOI:
10.1109/ICCAR48662.2020.9107984
XI. ANEXOS

Fig. 15. ARMADO DE PERCEPTRON

Fig. 12. CODIGO ARDUINO