Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GIRALDO, MEE DIDIER;HOYOS G, JOSE GABRIEL CONTROL POR REDES NEURONALES DE BASE RADIAL Y PLANOS DESLIZANTES Scientia Et Technica, Vol. X, Nm. 26, diciembre-sin mes, 2004, pp. 43-46 Universidad Tecnolgica de Pereira Colombia
Disponible en: http://redalyc.uaemex.mx/src/inicio/ArtPdfRed.jsp?iCve=84911640008
Scientia Et Technica ISSN (Versin impresa): 0122-1701 scientia@utp.edu.co Universidad Tecnolgica de Pereira Colombia
Cmo citar?
Nmero completo
Pgina de la revista
www.redalyc.org Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
43
1. INTRODUCCIN 3. ESTRUCTURA DE LA RED En [1] se presenta una tcnica de control adaptativo con una red de Elman y planos deslizantes en la cual el controlador es un sistema lineal ( PID ). Se presenta ahora una tcnica donde la propia red neuronal es el controlador y la red utiliza funciones de base radial [7]. Las redes con funciones de base radial presentan un entrenamiento mucho ms rpido que el que se logra con tcnicas como la de retro-propagacin y si se le agrega adems la tcnica de planos deslizantes se pueden tener mejoras adicionales [2], [3]. En las seccines 2, 3 y 4 se presentan la descripcin de la tcnica de control, la estructura de la red y el algoritmo de aprendizaje, respectivamente; y en la seccin 5 se presentan los resultados con una planta anloga real y la simulacin de un sistema de bola y balancn. Por ultimo se presentan las conclusiones. 2. DESCRIPCIN El diagrama de la Figura 1 muestra el esquema del sistema completo utilizando la red de base radial. A partir del error y su derivada, se calcula un plano deslizante llamado S p , luego aplicando una funcin ( ) se obtiene el error de la seal de control ec , y con base en sta se actualizan los pesos de la red de base radial, la cual hace las veces de controlador.
Fecha de Recepcin: 28 Septiembre 2004 Fecha de Aceptacin: 29 Noviembre 2004
La red neuronal consta de una capa de entrada, una capa oculta y una capa de salida (Figura 2 ). En la primera capa se tiene como entradas el error, la derivada del error y una constante, la capa oculta est formada por neuronas con funciones de base radial y la capa de salida es una neurona con funcin lineal. Los pesos entre la capa de entrada y la oculta no reciben entrenamiento y su valor es de uno. El entrenamiento de los pesos de la capa oculta a la de salida se realiza utilizando un plano deslizante, como se muestra en la seccin del algoritmo de aprendizaje. El error y la derivada del error se obtienen como:
e = x xd
e = x xd
(1)
(2)
donde x es la salida de la planta y x d es la salida deseada. La salida de cada neurona de la capa oculta, la cual esta formada por funciones de base radial es:
44
(u j cij ) 2 yi = exp ij 2 j =0
m
4. ALGORITMO DE APRENDIZAJE (3) El aprendizaje se logra calculando el plano deslizante S p y el error de la seal de control ec como en (5) y (6) [4].
donde u j son las entradas de la red (e, e, kte) y y i es la salida de las neurona i-sima. cij son los centros de las funciones radiales y mismas. La salida total de la red se define por:
h
ij
Sp = e + e
(5)
ec = d =
= y i wi
i =1
y
(4) Donde
1 S p + signo( S p )
(6)
constantes.
donde
wi =
yi +
i =1
signo(ec )
(7)
5.1 Prueba con una planta anloga real Se implement una planta anloga descrita por el modelo de espacio de estados siguiente:
45
1 x1 0 x1 = 0 p p x + 1 u 2 2 x2 3 x y = [1 p1 ] 1 x2
(8)
La cual es una planta de segundo orden con un cero, cuya realizacin se muestra en la Figura 3.
Donde r es la posicin de la bola (salida de la planta), la inclinacin del balancn, ngulo del engranaje (entrada de la planta). Los valores de las constantes del controlador son: Neuronas ocultas h =20 Tiempo de muestreo Ts = 0.1 = 0.05 k =0.1 =0.8 = 0.02
Figura 3. Esquema de la planta anloga.
= 0.9
Los valores de las constantes del controlador son: Neuronas ocultas h =10 Tiempo de muestreo Ts = 0.1 = 0.1 k =0.9 =0.2 = 0.1
los centros se definieron entre 1.0 y 1, anchos de 0.08 En la Figura 6 se muestran las respuestas para una variacin en la posicin inicial de 0.1 a 0.3 y luego a 0.6. La seal de control respectiva se muestra en la figura 7. Los pesos iniciales utilizados fueron los obtenidos despus de un entrenamiento previo. 6. CONCLUSIONES Y RECOMENDACIONES Se present un mtodo de control adaptativo indirecto usando redes neuronales, el cual es fcil de implementar y presenta buen comportamiento. Comparando la respuesta usando la tcnica expuesta con un control PID, no presenta sobre-impulso y su tiempo de establecimiento es menor en un 20 porciento. Para el caso del sistema de bola y balancn por tratarse de una planta no-lineal e inestable, es necesario tener una rata de aprendizaje y pesos pequeos para no tener respuestas inestables. La seleccin de los centros y anchos influye en el comportamiento de la red neuronal ( controlador ) y es un elemento clave su seleccin.
= 10
los centros se definieron entre 0.5 y 0.5 y anchos de 0.1. En la Figura 5 se muestra la respuesta de la planta para la seal de referencia, esta se logr utilizando el programa Builder C++ y una tarjeta de adquisicin por puerto USB. De la Figura 5, en A y B se realizaron variaciones paramtricas en p1 y la salida, despus de un transitorio, retorna al valor de referencia. 5.2 Simulacin del control de un sistema de bola y balancn En la Figura 4 se muestra el modelo para el control de la posicin de una bola en un balancn. La ecuacin que lo modela [6] es:
J 0 = 2 + m r + mg sin mr ( ) 2 R
(9)
d L
( 10 )
46
7.
BIBLIOGRAFA
[1] GIRALDO, Didier y Hoyos, Gabriel, Control Adaptativo con Red Neuronal de Elman y Planos Deslizantes, Revista SCIENTIA ET TECHNICA, Ao X, No 24, mayo 2004. [2] EFE, , Mehmet , Kaynak, Okyay et al., Sliding Mode Control of Nonlinear Systems Using Gaussian Radial Basis Function Neural Networks, International Joint Conference on neural networks, Proc. IEEE , pp. 474-479, july 2001. [3] PARMA ,G. , Menezes B.R, Braga A.P. Improving Backpropagation with Sliding Mode Control, IEEE Vth Brazilian Symposium on Neural Networks, Dec 1998.
Figura 6. Respuesta del sistema de bola y balancn.
[4] EFE, , Mehmet , Kaynak, Okyay, Variable Structure Systems Theory Based Training Strategies for Computationally Intelligent Systems, Conf. IEEE, IECON01, 2001. [5] SIRA-RAMIREZ, Hebertt, Colina-Morles, Eliezer, A Sliding Mode Strategy for Adaptive Learning in Adalines, Trans. IEEE on Circuits and Systems, Fundamental Theory and applications, vol 42, No 12, pp. 1001-1012, Dec 1995. [6] Modeling the Ball and Beam Experiment, disponible en internet: <http://www.engin.umich.edu /group/ ctm/examples/ball/ball.html>
[7] MARTIN DEL BRIO, Bonifacio, Sanz, Alfredo, Redes Neuronales y Sistemas Difusos, 2 ed., Alfaomega, 2002.