Вы находитесь на странице: 1из 6

1

Implementacin en Tiempo Real de


Observadores Neuronales Recurrentes Discretos
para Motores de Induccin
Edgar N. Sanchez, Alma Y. Alanis and Alexander G. Loukianov
CINVESTAV, Unidad Guadalajara, Apartado Postal 31-438, Plaza La Luna, Guadalajara,
Jalisco, C.P. 45091, Mexico, e-mail:sanchez@gdl.cinvestav.mx (direccin para correspondencia).

Abstract Este artculo presenta el diseo de un ob- tradas mltiples salidas (MIMO); el observador pro-
servador neuronal recurrente para sistemas no lineales, puesto slo requiere conocer el nmero de estados del
cuyos modelos matemticos se consideran desconocidos.
El observador propuesto se basa en una red neuronal re- sistema sin necesidad de un modelo nominal de dicho
currente de alto orden discreta (RHONN), la cual estima sistema. Est basado en una red neuronal de alto orden
el vector de estado de la planta desconocida. El algoritmo discreta (RHONN, por su nombre en ingls), la cual es-
de entrenamiento de la RHONN se basa en un filtro de
Kalman extendido (FKE). Adems se incluyen resultados
tima el estado de la planta desconocida. El algoritmo de
en tiempo real que muestran la aplicabilidad del obser- entrenamiento para la RHONN est basado en un FKE.
vador propuesto. El observador propuesto tiene una estructura tipo Lu-
Keywords ave Observadores no lineales, sistemas no enberger (Poznyak, et al., 2001) y se le ha denominado
lineales discretos, filtro de Kalman, motor de induccin, observador neuronal de alto orden (RHONO).
redes neuronales de alto orden discretas.
II. Preliminares matemticos
I. Introduccin En este artculo k se utiliza como el instante de
La mayora de las publicaciones, en control de sistemas muestreo, k 0 Z+ ; as mismo, || es utilizado como
no lineales utilizan la suposicin de que todos los esta- valor absoluto y kk como la norma Euclidiana para vec-
dos del sistema son medibles; sin embargo, en la vida real tores y cualquier norma adecuada para matrices. A con-
esto no siempre es posible. Por esta razn, la estimacin tinuacin, se presentan algunos conceptos previos de las
de estados es un tema muy importante en la teora de redes neuronales recurrentes de alto orden (RHONN)
sistemas no lineales (Poznyak, et al., 2001). Un obser- y del filtro de Kalman extendido (FKE) en el entre-
vador no lineal es un sistema dinmico con las mismas namiento de redes neuronales para un sistema no lineal
entradas y mediciones que el sistema original; provee una MIMO expresado como:
estimacin de los estados del sistema no lineal.
Una gran cantidad de observadores no lineales han (k + 1) = F ( (k) , u (k)) (1)
sido propuestos, generando muchos resultados intere-
donde <n , u <m y F <n <m <n es una
santes en diferentes direcciones (Davila, et al., 2005;
funcin no lineal.
Grover y Hwang, 1992; Levin y Narendra, 1996; Marino,
Definicin 1. El sistema (1) se dice que es forzado, o
1992; Poznyak, et al., 2001 y sus referencias). De
que tiene entrada. En contraste el sistema descrito por
cualquier modo la mayoria de las tcnicas existentes
una ecuacin sin la presencia explicita de la entrada u,
requieren de un modelo nominal de la dinmica del
tal que:
sistema, que sea conocido por lo menos parcialmente
(k + 1) = F ( (k))
(Poznyak, et al., 2001).
Los observadores neuronales se han propuesto en se dice que es no forzado. Dicho sistema puede obtenerse
(Marino, 1992; Poznyak, et al., 2001; Ricalde y Sanchez, a travs de la seleccin de la entrada u como una funcin
2005); stos no requieren del conocimiento de un mo- de retroalimentacin del estado
delo matemtico del sistema. Esta tcnica se ha apli-
cado exitosamente, resultando en una buena estimacin u (k) = ( (k)) (2)
del estado. Sin embargo dichos trabajos slo se han desa-
Tal sustitucin elimina a la entrada u:
rrollado para sistemas continuos. Los observadores neu-
ronales para sistemas no lineales discretos no se han de- (k + 1) = F ( (k) , ( (k))) (3)
sarrollado con la misma intensidad (Levin y Narendra,
1996). dando un sistema no forzado (3).
En este artculo, se propone un observador neuronal Definicin 2. La solucin de (1) (2) es semiglobal-
discreto para una clase de sistema de mltiples en- mente uniformemente ltimamente acotada (SGUUB),

Congreso Nacional de Control Automtico A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
2

si para cualquier , un subconjunto compacto de <n y En (6), u = [u1 , u2 , . . . , um ]> es el vector de entrada
para todo (k0 ) , existe algn > 0 y un nmero a la red neuronal y S() se define como
N (, (k0 )) tal que k (k)k < para toda k k0 + N .
En otras palabras la solucin de (1) se dice que es 1
S(x) = (7)
SGUUB si, para cualquier conjunto acotado definido 1 + exp(b
x)
a priori (arbitrariamente grande) y para cualquier con-
Ahora considrese el problema de aproximar el sistema
junto 0 definido a priori (arbitrariamente pequeo),
no lineal (1) el cual se supone observable, por la sigui-
el cual contiene a (0, 0) como un punto interior, existe
ente RHONN discreta en su representacin en paralelo
un control (2), tal que cualquier trayectoria de el sis-
(Rovithakis y Christodoulou, 2000):
tema en lazo cerrado que inicie en ingresa al conjunto
0 = { (k) | k (k)k < }, en un tiempo finito y per- xi (k + 1) = wi> zi (x(k), u(k)) + zi (8)
manece en el.
Teorema 1 (Ge, et al, 2004). Sea V ( (k)) una fun- donde xi es el isimo estado de la planta, zi es el e-
cin de Lyapunov para el sistema discreto (1), la cual rror de aproximacin el cual se considera acotado y que
satisface las siguientes propiedades: puede ser reducido por medio del incremento del nmero
de conexiones (Rovithakis y Christodoulou, 2000). En
1 (k (k)k) V ( (k)) 2 (k (k)k)
este artculo se supone que existe un vector de pesos
V ( (k + 1)) V ( (k)) = V ( (k)) ideal wi tal que k zi k puede ser minimizado en un con-
3 (k (k)k) + 3 () junto compacto zi <Li . El vector de pesos ideal wi es
donde es una constante positiva, 1 () y 2 () son una cantidad artificial requerida para propsitos analti-
funciones estrictamente crecientes y 3 () es una funcin cos solamente (Rovithakis y Christodoulou, 2000). En
continua no decreciente. Por lo tanto si general se supone que dicho vector existe y es constante
pero desconocido. Definamos ahora su estimado como
V () < 0 para k (k)k > wi y el error de estimacin como:
entonces (k) es uniformemente ltimamente acotada,
ei (k) = wi (k) wi
w (9)
es decir existe un instante de tiempo kT , tal que
k (k)k < , k < kT . Debido a que wi es constante, entonces w ei (k + 1)
A. Las redes neuronales de alto orden discretas ei (k) = wi (k + 1) wi (k), k 0 Z+ .
w
(RHONN) B. El algoritmo de entrenamiento usando el FKE
Considrese la siguiente red neuronal recurrente de Es bien conocido que el filtro de Kalman estima el
alto orden (RHONN, por su nombre en ingls): estado de un sistema lineal con ruidos de estado y de
bi (k + 1) = wi> zi (b
x x(k), u(k)), i = 1, , n (4) salida blancos aditivos (Grover y Hwang, 1992), (Song
y Grizzle, 1995). Para un entrenamiento de redes neu-
donde xbi (i = 1, 2, , n) es el estado de la isima neu- ronales basado en el filtro de Kalman, los pesos de la red
rona, Li es el nmero respectivo de conexiones de alto
neuronal se convierten en los estados a estimar y el error
orden, {I1 , I2 , , ILi } es una coleccin de subconjuntos
existente entre la salida de la red neuronal y la salida me-
no ordenados de {1, 2, , n}, n es la dimensin del es- dida de la planta se puede considerar como ruido blanco
tado, wi (i = 1, 2, , n) es el respectivo vector de pesos aditivo. Debido a que la red neuronal es un sistema no
adaptado en lnea y zi (b x(k), u(k)) est dada por:
lineal se requiere utilizar un FKE (Sanchez, et al, 2005
dij (1) y sus referencias). El objetivo del entrenamiento es en-
zi1 jI1 yij
zi2 d (2)
jI2 yijij
contrar los valores ptimos de los pesos que minimicen el


(5) error de estimacin. En este artculo se utiliza un FKE
zi (x(k), u(k)) = .. = ..
. . desacoplado para el entrenamiento de la red neuronal el
ziLi y
dij (Li ) cual se puede describir como:
jILi ij

con dji (k) como enteros no negativos y yi se define de la wi (k + 1) = wi (k) + i Ki (k) e (k) (10)
siguiente manera: Ki (k) = Pi (k) Hi (k) Mi (k)

yi1 S(b
x1 ) Pi (k + 1) = Pi (k) Ki (k) Hi> (k) Pi (k) + Qi (k)
.. .. i = 1, , n
. .

yi1 S(b x n)

yi =
yin+1 = S (u1 )

(6) con
1
.. ..
. . Mi (k) = Ri (k) + Hi> (k) Pi (k) Hi (k) (11)
yin+m S (um ) e (k) = y (k) yb (k) (12)

Congreso Nacional de Control Automtico A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
3

donde e (k) <p es el error de observacin, Pi (k) actualizados en lnea con un FKE desacoplado (10)(13)
<Li Li es la matriz de covarianza del error de estimacin y el error de salida es definido por:
al instante k, wi <Li es el vector de pesos (estados), Li
es el nmero de pesos de la red neuronal para el isimo e (k) = y (k) yb (k) (17)
estado, y <p es la salida de la planta, yb <p es la y el error de estimacin de estado como:
salida del observador, n es el nmero de estados, Ki
<Li p es la matriz de ganancia de Kalman, Qi <Li Li e (k) = x (k) x
x b (k) (18)
es la matriz de covarianza del ruido de estimacin de los
Entonces la dinmica de (18) puede expresarse como:
pesos de la red neuronal, Ri <pp es la matriz de
covarianza del ruido de medicin, Hi <Li p es una ei (k + 1) = xi (k + 1) x
x bi (k + 1)
matriz que contiene a las derivadas de la salida de la red
= wi> zi (x(k), u(k)) + zi + di (k)
neuronal con respecto a los pesos de la red neuronal:
wi> zi (b
x(k), u(k)) Li e (k)
>
b
y (k) ei (k) zi (x(k), u(k)) + zi + di (k)(19)
= w
Hij (k) = (13)
wij (k) wi (k)=wi (k+1) Li e (k)

donde i = 1, ..., n y j = 1, ..., Li . Tpicamente Pi y Qi Considerando (16) y (17)


son inicializadas como matrices diagonales; cuyos ele- e (k)
e (k) = C x (20)
mentos diferentes de cero son Pi (0) y Qi (0), respecti-
vamente. Es importante sealar que Hi (k) , Ki (k) y Por lo tanto (12) puede reescribirse como
Pi (k) para el FKE son acotadas; para una explicacin 0
ei (k + 1) = w
x ei (k) zi (x(k), u(k)) + zi e (k) (21)
Li C x
ms detallada consltese (Song y Grizzle, 1995).
0
con zi = zi + di (k). Por su parte la dinmica de (11)
III. Diseo del observador neuronal es
En esta seccin, se considerar la estimacin del es-
tado de un sistema no lineal discreto, el cual se supone ei (k + 1) = wi wi (k + 1) = w
w ei (k) i Ki (k) e (k)
observable y definido por: (22)
Considerando (10) (22), se establece el resultado
x (k + 1) = F (x (k) , u (k)) + d (k) principal de este artculo en el siguiente teorema.
Teorema 2: Para el sistema (15) la RHONN (16), en-
y (k) = Cx (k) (14)
trenada con el algoritmo basado en el FKE (10), asegura
que el error de salida (17) y el error de estimacin de
donde x <n es el vector de estado del sistema,
estado (18) son semiglobalmente niformemente ultima-
u (k) <m es el vector de entrada, y (k) <p es el
mente acotados (SGUUB); adicionalmente los pesos del
vector de salida, C <pn es la matriz de salida con-
RHONO permanecen acotados.
siderada como conocida, d (k) <n es el vector de per-
Prueba: Considrese la siguiente funcin candidata
turbaciones, F () es un campo vector suave y Fi () sus
de Lyapunov
elementos; entonces (14) puede escribirse como:
> ei (k) Pi (k) w
Vi (k) = w ei (k) + x
ei (k) Pi (k) x
ei (k)
x (k) = x1 (k) . . . xi (k) . . . xn (k)
> Entonces
d (k) = d1 (k) . . . di (k) . . . dn (k)
Vi (k) = V (k + 1) V (k) (23)
xi (k + 1) = Fi (x (k) , u (k)) + di (k) , i = 1, , n
y (k) = Cx (k) (15) Usando (9) y (10) en (23)

Para el sistema (15) , se propone un observador neu- ei (k) i Ki (k) e (k)]T [Ai (k)]
Vi (k) = [w
ronal tipo Luenberger (RHONO) con la siguiente estruc- [wei (k) i Ki (k) e (k)]
tura: e (k)]T [Ai (k)]
+ [f (k) Li C x (24)
>
b (k) =
x b1 (k) . . . x
x bi (k) . . . x
bn (k) e (k)]
[f (k) Li C x
bi (k + 1) = wi> zi (b
x x(k), u(k)) + gi e (k) wei (k) Pi (k) w
ei (k) x
ei (k) Pi (k) x
ei (k)
yb (k) = C x
b (k) con
i = 1, , n (16) Ai (k) = Pi (k) Di (k) + Qi
p
con gi < como el isimo vector de ganancia del Di (k) = Ki (k) Hi> (k) Pi (k)
0
observador, wi y zi como en (4); los vectores de pesos son ei (k) zi (x(k), u(k)) +
f (k) = w zi

Congreso Nacional de Control Automtico A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
4

entonces (24) puede expresarse como magntico lineal est dado por (Loukianov, et al, 2002):

eiT (k) Pi (k) w


Vi (k) = w ei (k) weiT (k) [Bi (k)] w
ei (k)
2 T T T
+ x e (k) C K [Ai (k)] Ki (k) C x e (k) (k + 1) = (k) + (1 )
T
+f (k) [Ai (k)] f (k) T
+exT (k) C T LTi [Ai (k)] Li C x
e (k) TL (k)
J

weiT (k) Pi (k) wei (k)
M i (k) (k) i (k) (k)
exTi (k) Pi (k) x
ei (k)
2 2 (k + 1) = cos (np (k + 1)) 1 (k) (25)
ke
x (k)k kKi Ck kAi (k)k
sin (np (k + 1)) 2 (k)
x (k)k2 kLi Ck2 kAi (k)k
ke
(k + 1) = sin (np (k + 1)) 1 (k)
x (k)k2 Pi (k) kw
ke ei (k)k2 kBi (k)k
0 2 + cos (np (k + 1)) 2 (k)
+ zi kAi (k)k T
i (k + 1) = (k) + u (k)
+2 kwei (k)k kzi (x(k), u(k))k 0zi kAi (k)k
2 2 T
ei (k)k kzi (x(k), u(k))k kAi (k)k
+ kw
i (k + 1) = (k) + u (k)

con Bi (k) = Di (k) Qi (1 a)
(k + 1) = (k) + (k) T + T
2 2

Vi (k) ke
x (k)k Ei (k) kwei (k)k Fi (k)
0 2 M i (k) (k) i (k) (k)

+ z kAi (k)k + 2Gi (k)
i
TL (k) 2
donde T
J
Ei (k) = Pi (k) kKi Ck2 kAi (k)k
2 con
kLi Ck kAi (k)k
Fi (k) = kBi (k)k kzi (x(k), u(k))k2 kAi (k)k
1 (k) = a cos (np (k)) (k) + sin (np (k)) (k)
Gi (k) = kwi wi max k kzi (x(k), u(k))k 0zi kAi (k)k

+b cos (np (k)) i (k) + sin (np (k)) i (k)
Entonces Vi (k) 0 cuando
s 2 (k) = a cos (np (k)) (k) sin (np (k)) (k)
0z 2 kAi (k)k + 2Gi (k)
ke
x (k)k > i
1 +b cos (np (k)) i (k) sin (np (k)) i (k)
Ei (k)
s
0 2 kAi (k)k + 2Gi (k)
zi
ei (k)k >
kw 2
Fi (k) (k) = i (k) + T (k) + np T (k) (k)
Por lo tanto la solucin de (21) y (22) es estable. En- T i (k)
tonces, el error de estimacin y los pesos del RHONO (k) = i (k) + T (k) + np T (k) (k)
son SGUUB (Ge, et al, 2004). Considerando (16) y (12) T i (k)
es fcil de ver que el error de salida tiene una relacin
algebraica con xe (k) por est razn si xe (k) permanece
acotado entonces e (k) tambin permanece acotado. Rr M 2 Rr Rs
donde b = (1 a) M, = Lr , = L2r + ,
2 Mn
e (k)
e (k) = C x = Ls M M
Lr , = Lr , a = e
T
, = JLrp con Ls , Lr
ke (k)k = kCk kex (k)k y M denotando las inductancias del estator, rotor y mu-
tua, respectivamente; Rs y Rr denotan las resistencias
del estator y del rotor, respectivamente; np es el nmero
de pares de polos; representa la velocidad angular; i
IV. Aplicacin al motor de induccin e i representan las corrientes en las fases y respec-
A. Modelo discreto tivamente; y representan los flujos en las fases
y respectivamente y es el desplazamiento angular del
El modelo discreto de sexto orden para el motor de
rotor.
induccin en el campo de referencia (, ), bajo las su-
posiciones de inductancias mutuas iguales y un circuito Para estimar el estado del sistema (25) se utiliza el

Congreso Nacional de Control Automtico A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
5

RHONO (16) con n = 6 entrenado con el FKE (10) .

b1 (k + 1) = w11 (k) S (b
x x1 (k))
+w12 (k) S (bx1 ) S (b b4 (k)
x3 (k)) x
+w13 (k) S (bx1 ) S (b b5 (k)
x2 (k)) x
b2 (k + 1) = w21 (k) S (b
x x1 (k)) S (bx3 (k))
+w22 (k) xb5 (k)
Fig. 1. Encoder acoplado al motor de induccin
b3 (k + 1) = w31 (k) S (b
x x1 (k)) S (bx2 (k))
+w32 (k) xb4 (k)
b4 (k + 1) = w41 (k) S (b
x x2 (k)) + w42 (k) S (b x3 (k))
+w43 (k) S (bx4 (k)) + w44 (k) u (k)
b5 (k + 1) = w51 (k) S (b
x x2 (k)) + w52 (k) S (b x3 (k))
+w53 (k) S (bx5 (k)) + w54 (k) u (k)
b6 (k + 1) = w61 (k) S (b
x x2 (k)) + w62 (k) S (b x3 (k))
+w63 (k) S (bx6 (k)) (26)
Fig. 2. PC y tarjeta DS1104

donde x b1 estima la velocidad angular ; x b2 y x


b3 estiman
los flujos y , respectivamente; x
b4 y x
b5 estiman las muestra la evolucin de la velocidad angular y su esti-
corrientes i e i , respectivamente; finalmente x b6 estima macin, la evolucin de los flujos del motor y sus esti-
el desplazamiento angular del rotor . Las entradas u mados en las fases y se presentan en las figuras 5 y
y u se seleccionan como funciones tipo chirp. 6 respectivamente, las figuras 7 y 8 muestran la evolu-
El entrenamiento se desarrolla en lnea, utilizando cin de las corrientes y as como sus estimados ,
una configuracin tipo paralelo. Todos los estados de respectivamente, finalmente en la figura 9 se muestra la
la red neuronal son inicializados aleatoriamente. Las evolucin del desplazamiento angular y su estimado.
matrices de covarianza se inicializan como diagonales,
cuyos elementos son seleccionados como: Pi (0) = 10000; V. Conclusiones
Qi (0) = 500 y Ri (0) = 10000, (i = 1, , 6), respecti-
vamente. En este artculo se ha utilizado una RHONN para dis-
ear un observador neuronal para una clase de sistemas
B. Resultados en tiempo real no lineales discretos tipo MIMO. El entrenamiento del
En esta seccin se presentan los resultados obtenidos
en tiempo real para el observador neuronal previamente
diseado (26). Los elementos principales del prototipo
utilizado son:
Cmputo. Est compuesto por una computadora per-
sonal, una tarjeta de control DS1104 y programas para
la estimacin de estado. La figura 1 muestra una fo-
tografa del interior de la PC en esta figura tambin se
puede observar la tarjera DS1104.
Interfase y adquisicin de datos. Estn compuestas
por las entradas a la tarjeta de control, el encoder, Fig. 3. Modulo de potencia
interfase de encoder, acoplamiento de seales TTL a
CMOS y los sensores de corriente. La figura 2, muestra 16

el encoder utilizado, acoplado al motor de induccin. 14

Electrnica de potencia. Incluye la alimentacin 12

trifsica, el driver y los IGBT (Figura 3). 10


rad/sec

Planta. Motor de induccin trifsico tipo jaula de


8

ardilla de 0.25HP (Figura 1). Es importante sealar 6

que los parametros del motor, son desconocidos por ello


2

resulta conveniente la utilizacin del RHONO en lugar 0 0 .0 5 0. 1 0 .1 5 0 .2 0 .2 5


Tim e (s e c )
0 .3 0. 3 5 0. 4 0 . 45 0 .5

de un observador no lineal clsico.


A continuacin se presentan los resultados obtenidos Fig. 4. Evolucin de la velocidad angular (lnea slida) y su
en tiempo real de la siguiente manera: En la figura 4 se estimado (lnea punteda)

Congreso Nacional de Control Automtico A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
6

0 .2 5
observador se realiza en lnea utilizando una configu-
0. 2
racin tipo paralelo. La acotacin del error de salida
0 .1 5

0. 1
y del error de estimacin se establece en trminos de
wb2 0 .0 5 la metodologa de Lyapunov. Los resultados en tiempo
0
real muestran la aplicabilidad del observador propuesto
-0 .0 5

-0. 1
y ms an no requieren del conocimiento de los parme-
-0 .1 5
0 0 .0 5 0 .1 0. 1 5 0.2 0 .2 5 0 .3 0 . 35 0. 4 0 .4 5 0 .5
tros fsicos del motor.
Tim e (s e c )

VI. Agradecimientos
Fig. 5. Evolucin del flujo (lnea slida) y su estimado (lnea Los autores agradecen el apoyo de CONACYT, M-
punteada)
xico con los proyectos 39866Y y 46069Y.
0.2

0 .1 5
Referencias
0.1

0 .0 5

0 Davila, J., L. Fridman y A. Levant (2005). Second-order


wb2

-0 .0 5

-0.1
sliding-mode observer for mechanical systems, IEEE Transac-
-0 .1 5 tions on Automatic Control, vol. 50, no. 11, pp. 1785-1789.
-0.2
Ge, S.S., J. Zhang and T.H. Lee (2004). Adaptive neural net-
-0 .2 5
0 0 .0 5 0 .1 0. 1 5 0.2 0 .2 5 0 .3 0 . 35 0. 4 0 .4 5 0 .5
Tim e (s e c ) work control for a class of MIMO nonlinear systems with distur-
bances in discrete-time, IEEE Transactions on Systems, Man and
Fig. 6. Evolucin del flujo (lnea slida) y su estimado (lnea Cybernetics, Part B, vol. 34, no. 4.
punteada) Grover, R. y P. Y. C. Hwang (1992). Introduction to Random
Signals and Applied Kalman Filtering, 2nd ed., John Wiley and
6

Sons, New York, USA.


4

Levin, A. U. y K. S. Narendra (1996). Control of nonlinear


2
dynamical systems using neural networks - part II: observability,
0
A

identification and control, IEEE transactions on neural networks,


-2
vol. 7, no. 1, pp. 30-42, January.
-4
Loukianov, A. G., J. Rivera y J. M. Caedo (2002). Discrete-
-6
0 0 .0 5 0 .1 0. 1 5 0.2 0 .2 5
Tim e (s e c )
0 .3 0 . 35 0 .4 0 .4 5 0 .5 time sliding mode control of an induction motor, Proceedings
IFAC02, Barcelone, Spain.
Marino, R. (1990). Observers for single output nonlinear sys-
Fig. 7. Evolucin de la corriente (lnea slida) y su estimado
(lnea punteada) tems, IEEE Transactions on Automatic Control, vol. 35, pp.
1054-1058.
8
Poznyak, A. S., E. N. Sanchez y W. Yu (2001). Dierential
6

4
Neural Networks for Robust Nonlinear Control, World Scientific,
2 Singapore.
0 Sanchez, E. N., A. Y. Alanis y G. Chen (2004). Recurrent
A

-2
neural networks trained with Kalman filtering for discrete chaos
-4

-6
reconstruction, Proceedings of Asian-Pacific Workshop on Chaos
-8
0 0 .0 5 0 .1 0. 1 5 0.2 0 .2 5 0 .3 0 . 35 0. 4 0 .4 5 0 .5
Control and Synchronization04, Melbourne, Australia.
Tim e (s e c )
Ricalde, L. J. y E. N. Sanchez (2005). Inverse optimal non-
linear high order recurrent neural observer, International Joint
Fig. 8. Evolucin de la corriente (lnea slida) y su estimado Conference on Neural Networks IJCNN 05, Montreal, Canada.
(lnea punteada)
Rovithakis, G. A. y M. A. Chistodoulou (2000). Adaptive Con-
trol with Recurrent High -Order Neural Networks, Springer Verlag,
New York, USA.
Song, Y. y J. W. Grizzle (1995). The extended Kalman Filter
as Local Asymptotic Observer for Discrete-Time Nonlinear Sys-
tems, Journal of Mathematical systems, Estimation and Con-
trol,vol. 5, No. 1, pp. 59-78, Birkhauser-Boston.

Fig. 9. Evolucin del desplazamiento angular del rotor (lnea


slida) y su estimado (lnea punteda)

Congreso Nacional de Control Automtico A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.