IDENTIFICACION CON REDES NEURONALES

Modelacin directa

d u Proceso yp

ym M

Algoritmo de Aprendizaje

Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

En este caso, se entrena una red neuronal de manera de obtener la dinmica directa de la planta. La red es colocada en paralela a la planta y el error entre el sistema y las salidas de la red son usados como entrada al entrenamiento (Backpropagation). Ecuacin del sistema no lineal (Proceso)
y p ( t + 1) = f (y p ( t ),K, y p ( t n + 1), u( t ),K, u (t n + 1) )

Red neuronal (Modelo)

(y p ( t ),K, yp ( t n + 1), u ( t ),K, u( t n + 1) ) y m (t + 1) = f
es la relacin de entrada salida dada por la red donde f neuronal.

Luego de un tiempo adecuado de entrenamiento, se tiene:

ym yp

De esta manera, la red se independiza de la planta, es decir:

(y m ( t),K, y m ( t n + 1), u( t ),K, u ( t n + 1) ) y m ( t + 1) = f
Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

Modelacin inversa

ss r M u Proceso yp

Algoritmo de Aprendizaje

ss es la seal de entrada para el entrenamiento. Los modelos inversos de la dinmica de la planta juegan un rol importante en el diseo de control. La salida yp es usada como entrada a la red neuronal. La salida de la red u es comparada con la entrada del sistema ss (seal de entrenamiento) y este error es usado para entrenar la red.

Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

Esta estructura claramente tiende a forzar a la red neuronal a representar la dinmica inversa de la planta.

Modelacin inversa especializada

r C

u Proceso

yp

Algoritmo de Aprendizaje

ym M

En este caso, el modelo red neuronal inverso precede al sistema y recibe como entrada la referencia deseada de la salida. Esta estructura de aprendizaje contiene adems un modelo red neuronal directo (M).
Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

La seal de error para el algoritmo de entrenamiento, en este caso, es la diferencia entre la seal entrenada ym y la seal entrenada yp. Alternativamente, la seal de error puede ser la diferencia entre r y yp. La estructura entrada salida de la modelacin del sistema inverso est dada por:
u ( t ) = f 1 (y p ( t ),K , y p ( t + n 1), r ( t + 1), u ( t 1),K , u ( t n + 1) )

Si no se dispone de yp,
u ( t ) = f 1 ( y m ( t),K, y m ( t + n 1), r ( t + 1), u ( t 1),K, u ( t n + 1) )

Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

ESTRUCTURAS DE CONTROL CON REDES NEURONALES Existen diversas estructuras de control bien establecidas para sistemas no lineales (Hunt, 1992). Control supervisor o por operador

Operador Humano

Proceso

Red Neuronal

Proceso

En este caso, se disea un controlador que imite las acciones de control del operador humano.

Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

El controlador corresponde a una red neuronal que es entrenada con la informacin sensioral recibida por el operador y la salida del proceso. Control inverso directo

yd

G-1

yd

Red Neuronal

Planta

En este caso, se utiliza un modelo inverso de la planta talque el sistema compuesto resulte la identidad entre la salida del proceso y la salida deseada.

Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

Control por modelo de referencia

Modelo de Referencia

r C

u Proceso

yp -

yr + er

Algoritmo de Aprendizaje

El funcionamiento deseado del sistema en lazo cerrado es especificado a travs de un modelo de referencia estable, que se define por el par entrada-salida {r(t),yr(t)}. El sistema de control pretende llevar a la salida de la planta yp(t) a la salida del modelo de referencia yr(t) asintoticamente, es decir:
lim y r ( t ) y p ( t )
t

En esta estructura, el error entre yr e yp es usado para entrenar al controlador neuronal.

Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.

Control por modelo interno

ys + -

r C

u Proceso

yp

+
ym M

En este caso, los modelos directo e inverso son utilizados directamente como elementos dentro del lazo de retroalimentacin. La diferencia entre la salida del sistema yp y la salida del modelo ym es utilizada en la retroalimentacin. La retroalimentacin es usada por el subsistema controlador que utiliza un controlador relacionado con el inverso del sistema. El subsitema F es usualmente un filtro lineal que introduce robustez al sistema.

Doris Sez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECAUBA, Buenos Aires.