Publicación: Algoritmo de Control Adaptativo Basado en Redes Neuronales: Aplicación a Procesos Dinámicos No Lineales
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
En este trabajo se presentan algunos conceptos generales del modelamiento y control de sistemas dinámicos, y las dificultades que surgen al aplicar las técnicas convencionales a procesos no lineales o con dinámicas difíciles de modelar. Luego se introducen las Redes Neuronales Artificiales como herramientas inteligentes que presentan varias características deseables para el modelamiento y control de sistemas dinámicos. La teoría y conceptos básicos de las Redes Neuronales Artificiales se aplican a la modelación y control de un sistema no lineal en particular. Se construyen dos modelos neuronales para identificar el sistema, y se analiza su desempeño a la luz de siete métricas estadísticas. El problema del control del sistema no lineal se divide en tres partes. Primero se diseña un controlador de referencia que sirve para recoger información del comportamiento del sistema bajo una acción de control. Esta información se utiliza para identificar la dinámica inversa del sistema por medio de una red neuronal. Luego se construye un controlador inverso a partir del modelo de la dinámica inversa del sistema representada por la red neuronal previamente entrenada. A esta estructura de control se le adiciona un mecanismo de adaptación que modifica los parámetros de la red neuronal con el objetivo de contrarrestar perturbaciones y cambios en la dinámica del sistema y de minimizar constantemente el error. Esta estructura de control adaptativo se prueba con el sistema inicial, y con dos sistemas adicionales que se construyen a partir de variaciones de este. El desempeño del controlador se analiza según las mismas métricas estadísticas utilizadas en la identificación, y según criterios convencionales como el sobreimpulso y el tiempo de respuesta.
Resumen en inglés
Abstract: Some general concepts about dynamic system modeling and control, as well as the difficulties that arise when trying to apply conventional control techniques to non linear systems, or with difficult to predict dynamics, are presented in this paper. Then, Artificial Neural Networks are introduced as intelligent tools that have some desirable characteristics applicable to modeling and control of dynamical systems. The theory on Artificial Neural Networks is applied to the modeling and control of a particular non linear system. Two Artificial Neural Network based models are built in order to identify the system, and their performance is analyzed based on seven statistic measures. The problem of controlling the non linear system is divided into three parts. First, a reference controller is designed, and used to gather information about the system dynamics. This information is used to train a neural network to reproduce the inverse dynamics of the system. Then, an inverse controller is built based on the inverse model of the system represented by the previously trained neural network. An adaptation mechanism that modifies the parameters of the net is added to the inverse control structure in order to respond to disturbances and dynamic changes, and to continuously minimize the error. This structure is tested on the original system and on two other systems that are built from variations on the original. The performance of the controller is analyzed based on the same statistic measures used in the identification, and based on criteria such as peak response and time response.