Академический Документы
Профессиональный Документы
Культура Документы
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) )
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.
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.
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
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.