Вы находитесь на странице: 1из 71

1

CONTROL NEURONAL
Tomado principalmente de:

M. Nrgaard et al., Neural Networks for
Modelling and Control of Dynamic
Systems, Springer Verlag, 2000.
2
Controlar un sistema es hacerlo que se comporte de una manera
deseada. La forma de expresar el comportamiento deseado
depende fundamentalmente del problema a resolver, pero tambin
de la dinmica del sistema, de los actuadores, el equipo de
medicin, etc. De entre todo lo anterior es posible distinguir dos
tipos de problemas:

Problemas de regulacin. El comportamiento deseado es
mantener la salida del sistema en un nivel constante a pesar de las
perturbaciones que acten sobre el sistema.

Problemas de seguimiento. El comportamiento deseado consiste
en hacer que la salida del sistema siga una referencia deseada.
3
A continuacin se tratarn dos tipos de control neuronal:

Control directo

Control directo inverso
Control con modelo interno
Linealizacin por retroalimentacin
Prealimentacin con modelo inverso
Control ptimo

Control indirecto
Controladores de varianza mnima
Control predictivo
4
Control Directo
La red neuronal directamente implementa el controlador
5
1. Control Neuronal Directo por Modelo Inverso

Fue uno de los primeros mtodos propuestos. La red neuronal se
entrena para aprender el modelo inverso de la planta, l que al
conectarse en serie con la planta da una ganancia ~ 1.

Principios Bsicos

Supngase que la planta puede ser descrita como
( ) ( ) ( ) ( ) ( ) ( )
1 ,... 1 , ... y k g y k y k n u k u k m + = +
6
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
1
1
La red neuronal va a estimar ( ) como:
1 , ... 1 , ...
como no se conoce 1 , se remplaza por 1
1 , ... 1 , ...
u k
u k g y k y k y k n u k u k m
y k r k
u k g r k y k y k n u k u k m

= + +
+ +
= + +
7
Figura 7. Esquema del modelo de control directo inverso
8
Existen dos mtodos de entrenamiento:

Entrenamiento General (Fuera de Lnea)

Entrenamiento Especializado (En Lnea)
9


Entrenamiento General (Fuera de Lnea)

Se interpreta el problema como uno de identificacin fuera de
lnea. Por lo tanto, se disea un regresor adecuado, se realiza el
experimento y se entrena la red.
Ahora el criterio a minimizar es
( )
( ) ( ) ( )
2
1
1
,
2
N
N
k
J Z u k u k
N
u u
=
=

10
( )
( ) ( )
( )
( ) ( )
( ) ( ) ( )
1 1 1
1
La funcin de transferencia entrada salida es aproximadamente
Si la planta tiene un retardo de , entonces
Cmo resolver problemas con retardo?
1 ,... ,...
d d
H q q y k q r k
d
H q q y k q r k
y k d g y k d y k y k


= =
= =
+ = +
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
1
, ...
, 1 ... , 1 ...
d n u k u k m
u k g y k d y k d y k u k u k m

+
= + +
11
( ) ( ) ( )
( ) ( ) ( )
pero como , 1 ... 1 son desconocidas entonces
se pueden reemplazar por:
, 1 ... 1
Alternativamente, se pueden construir predictores neuronales para cada
una de las salidas desconocidas
y k d y k d y k
r k d r k d r k
+ + +
+ + +
.
12
Problemas

Modelo inverso resultante puede ser inestable

Modelo inverso resultante puede que no sea nico
13
Entrenamiento Especializado (En Lnea)

La minimizacin de:



Se remplaza por la versin recursiva



que es un esquema en lnea y constituye un controlador
adaptable.
( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2
1 1
1 1
, ,
2 2
N N
N
k k
J Z r k y k e k e k r k y k
N N
u
= =
= = =

( ) ( )
( ) ( ) ( ) ( )
( ) ( )
2 2
1 1
, , ,
N N N
k k k
J Z J Z r k y k J Z e k u u u

= + = +
14
( ) ( )
( )
( ) ( )
( )
( )
( ) ( )
( )
( )
( )
( )
( ) ( )
( )
( ) ( )
( )
( )
2
2
1 2
Si se utiliza el gradiente:

1
Para los trminos de que dependen de ( 1)
1
1
1 1 1
1
n m
i i
de k
k k
d
de k dy k
e k
d d
dy k
u k
d
dy k y k du k
d u k d
y k u k u k dy k i u k du k i
u k y k i d u k i d
u u
u
u u
u
u u
u u u
= =
-
=
=

c
=
c
| |
c c c c
= + +
|
c c c c
\ .

15
( )
( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( )
1
1
con:

1 1
dado por el modelo neuronal directo. Para evitar funciones de transferencia
del tipo ( 1) , se utiliza el modelo de referencia
,
Si se usa un Gauss
m m
y k y k
u k u k
H q q d
B q
y k r k e k y k y k
A q

c c
~
c c
=
= =
-
( )
( )
( )
( )
( )
( )
( )
Newton recursivo
1
1 1
y k y k u k
k k
u k u k
|
u
c c c
= =
c c c
16
Figura 8. Sistema de control por modelo directo inverso
con entrenamiento en lnea

17
Ventajas

Simple para implementar
Con el entrenamiento especializado, el controlador se puede
optimizar para trayectorias especficas
Se puede aplicar, en la versin especializada, a sistemas
variantes en el tiempo

Desventajas

No trabaja si el sistema tiene inversa inestable
Problemas si el sistema no tiene una inversa nica
Problemas si el modelo inverso no est bien amortiguado
No se puede sintonizar
Alta sensitividad a ruido y perturbaciones
18
2. Control con modelo interno

El control con modelo interno est muy relacionado con el
control directo inverso. Es muy utilizado para el control de
procesos qumicos; sin embargo puede ser til en otras
aplicaciones. El concepto de modelo interno fue introducido en
(Morari y Zafiriou, 1989) y la idea de utilizar redes neuronales
para este tipo de control fue sugerida en (Hunt y Sbarbaro-Hofer,
1991).
19
Figura 9. Esquema del control con modelo interno
20
Un controlador con modelo interno requiere tanto de un modelo
directo como de un modelo inverso del sistema a controlar. En
contraste con el modelo directo inverso, la retroalimentacin no
es directamente la salida del sistema, sino que se retroalimenta el
error entre la salida del sistema y la salida del modelo directo.
Sean , , y de la figura 9 entonces la funcin de transferencia
en el operado
F C P M
( )
( )
( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
1
r de retardo es:
1
1 1

1
y
1
d d
d d
d
d
d
q
q FCP q FCM
y k r t
q FC P M q FC P M
q FCP
v k r k v k
q FC P M
FC
u k r k v k
q FC P M

= +
+ +
( = +

+
( =

+
21
( ) ( ) ( )
( ) ( ) ( )
1
Bajo las condiciones ideales y la expresin
anterior se reduce a:
1
Entonces para que el controlador rechace perturbaciones es
necesario que el filtro :
Sea
d d
M P C P
F
u k r k v k
P
y k q Fr k q F v k
F


= =
( =

(
=

-
( ) ( )
( )
1 1
estable y tenga ganancia de estado estable unitaria para
asegurar el seguimiento de la referencia
El numerador 1 debe contener un factor del polinomial
, con la propiedad 0.
d
q F
q q d k | |


-
=
22
En el control con modelo interno es necesario que el modelo a
aproximar, al igual que su inversa sean estables; esto limita sus
aplicaciones. El nico parmetro de diseo es el filtro F. Existen
dificultades para imponer restricciones en la seal de control.
23
3. Linealizacin por Realimentacin de Estado

Sistemas Continuos

Se supone el sistema en su forma normal
( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( )
2 1
3 2
Si 0, y son adecuados entonces:
n
x t x t
x t x t
x t
f x t g x t u x t
w t f x t
g x t u t w t
g x t
| | | |
| |
| |
= =
| |
| |
|
+
\ . \ .

= =
&
&
&
M M
%
% &
%
%
%
24
( )
( )
( )
( )
( ) ( )
( ) ( ) ( )
1
2
0 1
0 1 0 0
0 0 0 0
,
1
1 0 0
n n
x t
x t
x t x t r t
x t a a a
y t x t
| |
| | | |
|
| |
|
| |
= = +
|
| |
|
| |

\ . \ .
\ .
=
&
L
&
L
&
M M M O M M
&
L
L
25
Sistemas Discretos
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( )
( ) ( )
2 1
3 2
Sea:
1 ,..., , 2 ,...,
1 ,..., , 2 ,..., 1
o
1
1
1
1
n
n
y k h y k y k n u k u k m
g y k y k n u k u k m u k
x k x k
x k x k
x k
h x k g x k u x k
y k x k
=
+
| | | | +
| |
+
| |
+ = =
| |
| |
|
+ +
\ . \ .
=
M M
26
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
( )
con
1 ,..., 1 ,
y
1 ,..., , 2 ,...,
( )
1 ,..., , 2 ,..., 1
como la entrada virtual de control y como la referencia apropiada
para la asignacin arbitraria de los p
T
x k y k n y k y k
w k h y k y k n u k u k m
u k
g y k y k n u k u k m u k
w k
= +

=

olos a lazo cerrado.
27
Utilizacin de Redes Neuronales

Suponiendo que la planta se puede modelar como se describi,
pero es desconocida entonces:
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
( )

1 ,..., , 2 ,..., ,
1 ,..., , 2 ,..., , 1
h
g
y k h y k y k n u k u k m
g y k y k n u k u k m u k
u u
u
=
+
28
Figura 10. Linealizacin entrada-salida discreta
con redes neuronales
29
Se requiere conocer:






lo cual se puede ser determinado con una estructura NNARX
( )
( )
( )
( )
( )
( )


, , , ,
,
,
, 1
h h gh gh
h h
h h
g g
h g
k k
k
k
k u k
u u
u u
u
u
u
c c
= =
c c
| |
= |
|

\ .
30
Ventajas

Implementacin simple
Slo se debe conocer la estructura del modelo
Se pueden ubicar polos

Desventajas

Restringido a la estructura mencionada
Modelo complejo (Se requieren dos redes neuronales)
No es fcil la sintonizacin
Problemas de estabilidad

31
4. Prealimentacin para Optimizar un
Controlador Existente
Figura 11. Optimizacin de un control existente usando
redes neuronales
32
( ) ( ) ( ) ( ) ( )
( )
( ) ( )
( )
( )
,... , 1 ... 1
Usando un NNFIR
,...
ff ff ff
ff ff
u k g r k d r k d n u k u k m
u k g r k d r k d n
= + + +
= + +
33
Ventajas

Fcil de implementar
Se puede implementar gradualmente
Mejora el seguimiento sin aumentar la sensitividad al ruido

Desventajas

Se requiere un controlador estabilizante en lazo cerrado
No reduce el efecto de perturbaciones en el sistema
Problemas si el modelo inverso es inestable o poco
amortiguado

34
5. Control ptimo con Modelo Inverso

Despus de haber expuesto los controladores anteriores, es
evidente que dichas estrategias tienen problemas para sistemas
neutralmente estables o con inversas inestables.

Entonces surge la idea de disear un controlador de acuerdo a un
criterio donde la seal de referencia sea recompensada mientras
exista una penalidad sobre la magnitud de la seal de control.

El diseo es implementado a travs del entrenamiento de una red
neuronal, que minimice el criterio:
35
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( ) ( )
( )
( ) ( ) ( ) ( )
2
1
2
1
2
2
1
2
2
1
1
,
2
o
1
,
2
si se reemplaza por:
1
, , 0
2
o por:
1
, , 0
2
N
N
N
k
N
N
N m
k
N
N
N
N
k
N
N
N m
k
J Z r k y k
N
J Z y k y k
N
J
J Z r k y k u k
N
J Z y k y k u k
N
u
u
u
u
=
=
=
=
=
=
= + >
= + >

36
( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( )
2
1 2
1
2
1 2
1
respectivamente se puede obtener la versin recursiva
, , 1
o
, , 1
k k
k k
k k
k k m
J Z J Z r k y k u k
J Z J Z y k y k u k
u u
u u

= + +
= + +
37
Figura 12. Control ptimo con modelo inverso
38
( )
( ) ( )
( )
( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( ) ( ) ( ) ( ) ( )
Entonces de acuerdo al esquema anterior:
1
1
1
Definiendo:

1
y
1

1
se tiene:
1
El Hessiano no es evidente de calcular. Se puede
u
u
u
u u
du k y k
G e k u k
d u k
y k
e k e k
u k
du k
k
d
y k
k k
u k
G k e k u k
u
u

u

u
| |
c
~ +
|
c
\ .
c
=
c

=
c
=
c
~ +
utilizar la
misma aproximacin vista en el captulo 3.
39
Ventajas

Fcil sintonizacin
Excelente desempeo para diferentes clases de sistemas
(comparado con otras estructuras similares)
Objetivo dirigido a travs del criterio de optimizacin
Conveniente para seguimiento de trayectorias
Es directamente aplicable para sistemas variantes en el tiempo

Desventajas

La red neuronal slo permite entrenamiento en lnea
La inicializacin de la red puede resultar difcil

40
Control Indirecto
La sntesis del controlador se basa en un modelo neuronal del
sistema a controlar
41
6. Controlador de varianza mnima

Los controladores indirectos pueden disearse con base en el
comportamiento deseado en lazo cerrado en trminos de su
funcin de transferencia o de los polos en lazo cerrado.

Es posible especificar dicho comportamiento en trminos de un
criterio a minimizar. El diseo basado en un criterio tal tiene la
ventaja de sintonizarse de manera heurstica.

En el contexto de reguladores estocsticos auto-sintonizados uno
de los ms populares es el controlador de varianza mnima
(Isermann, et. al., 1992). Los resultados presentados para
modelos ARMAX son:
42
( )
( )
( )
( )
( )
( ) ( )
( )
1 1 1
1
pero por su puesto esto puede ser modificado de acuerdo a la
descripcin ARX seleccionando 1. Para obtener un
controlador con accin integral, se supone que el trmino de
u
d
A q y k q B q u k C q e k
C q
t

= + +
=
( )
( )
( )
( )
( )
( )
( )
1
1 1
mbral , est modelado como ruido blanco integrado,
dando un modelo ARIMAX:
d
C q
A q y k q B q u k e k
t


= +
A
43
El controlador de varianza mnima bsico se disea para resolver
el problema de regulacin. El objetivo es compensar perturbaciones
estocsticas, ms que para seguir una trayectoria de referencia.
El cri
( ) ( )
{ }
2
terio a minimizar es:
donde la ley de control minimizadora se supone una funcin
con mediciones disponibles.
E J t y k =
44
Ventajas

Permite utilizar tcnicas de control lineales
Su implementacin resulta razonablemente simple
Es posible controlar sistemas con inversa inestable, si los polos
no se cancelan
Provee una interpretacin fsica de la dinmica del sistema
Es adecuado para implementaciones en tiempo real

Desventajas

El modelo linealizado puede ser valido slo en una pequea
vecindad del punto de operacin

45
7. Control Predictivo

Los diseos basados en un criterio tienen mejores ventajas en lo
concerniente a sintonizacin.

La seleccin de los factores de pesos en general resulta ms
intuitiva que en el caso de especificar un modelo a lazo cerrado.

En particular para sistemas con no linealidades fuertes algunos
de los controladores ya analizados pueden resultar insuficientes.

Un controlador flexible y poderoso basado en un criterio, que no
sufre de dicha desventaja es el controlador predictivo.
46
El controlador predictivo puede ser utilizado junto con la
linealizacin instantnea en una implementacin similar al
controlador de varianza mnima. Este controlador es aplicable a
una gran variedad de clases de sistemas no lineales.

La idea general del control predictivo es que en cada iteracin se
minimice un criterio del siguiente tipo:
47
( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
( )
2
1
2 2
1
2
1
, 1
con respecto a las entradas de control futuras
, , 1
y sujeto a las restricciones
0,
donde denota el horizonte m
u
N N
i N i
u
T
u
u
J k U k w k i y k i u k i
N
U t u k u k N
u k i N i N d
N

= =
( ( = + + + + A +

( = +

A + = s s

L
2
nimo de prediccin (costo),
denota el horizonte mximo de prediccin (costo mximo), es
el horizonte de control y es un factor de pesos que penaliza las
variaciones en las entradas de control.
u
N
N

48
Para sistemas no lineales el problema de optimizacin debe
resolverse a cada muestreo, resultando en una secuencia de
entradas de control futuras. A continuacin se muestra el
principio de operacin del control predictivo.
Figura 13. Principio de operacin del control predictivo
49
Ventajas

Puede ser sintonizado intuitivamente
El criterio es flexible, lo que permite el control de una gran
variedad de sistemas
Resulta adecuado para controlar sistemas con retardos en el
tiempo
Puede estabilizar sistemas inestables, o sistemas con inversa
inestable
Permite considerar restricciones de control

Desventajas

Puede resultar de difcil implementacin
50
Aplicacin en tiempo real
1. Identificacin de sistemas con redes neuronales
(Aplicada a un prototipo de dos tanques interconectados)

En la siguiente figura se muestra el procedimiento de
identificacin utilizado.


Seleccin de la estructura del
modelo
Determinacin de los parmetros
del modelo
Validacin del Modelo
Aceptado
Procedimiento de Identificacin
Realizacin del Experimento
Figura 14. Proceso de identificacin
51
Realizacin del experimento.- El propsito del
experimento es coleccionar el conjunto de datos que
describen el comportamiento del sistema en un rango
completo de operacin. La idea es variar la (s) entrada (s)
u(t) y observar el impacto en la salida (s) y(t).
Seleccin de la estructura del modelo. La estructura del
modelo es un conjunto de modelos candidatos a describir
adecuadamente el sistema, por ejemplo estructuras de
modelos lineales, redes neuronales de base radial, redes
neuronales tipo perceptrn multicapa, etc.
Determinacin de los parmetros del modelo. Una vez que
se han elegido los modelos candidatos, el siguiente paso es
seleccionar un modelo particular. Esto se puede hacer bajo
diferentes criterios, el criterio ms comn es el error de
prediccin.
Validacin del modelo. Cuando un modelo ha sido
determinado, se evala comparando la salida real con la
salida del modelo para una misma entrada.
52

Sistema
u(t) y(t)
v(t)
Ruido/Perturbaciones
Figura 15. Se aplica una entrada al sistema y se observa como
se afecta la salida.
53
SENSOR ULTRASNICO
TANQUE 2
VLVULA 1
DEPOSITO DE AGUA
BOMBA DE AGUA
VLVULA 2
TANQUE 1
SENSOR ULTRASNICO
TANQUE 2
VLVULA 1
DEPOSITO DE AGUA
BOMBA DE AGUA
VLVULA 2
TANQUE 1
Sistema a identificar.
Figura 16. Esquema general del Sistema de dos tanques.

54
A continuacin se explica la forma en que se realiza la
identificacin del sistema mostrado en la figura 16.

a) Realizacin del experimento.

La identificacin del sistema de los tanques se realizo
manteniendo la vlvula 2 con una apertura constante del 50% y
aplicndole una seal aleatoria a la vlvula 1, (como entrada) y
midiendo el valor de la salida obtenida para dicha seal de
entrada.

Como entrada se considera la apertura de la vlvula 1, mientras
que como salida se toma el nivel de liquido en el tanque 2.
55
Figura 17. Seal aleatoria
aplicada a la valvula1
Figura 18. Salida obtenida al aplicar
la entrada aleatoria. La identificacin
del sistema se realizo alrededor de un
punto de operacin de 45 cm.
56
b) Seleccin de la estructura del modelo.

Por las propiedades que presenta el modelo y por la informacin
disponible se selecciono el modelo NNARX.

Con d=2 ya que ese es el orden del sistema, 5 neuronas en la capa
de salida con funcin de activacin sigmoidal y una neurona de
salida con funcin de activacin lineal.

c) Determinacin de los parmetros del modelo.

Para la determinacin de los parmetros ajustables (pesos) se
utilizo un entrenamiento basado en el algoritmo de Levenberg-
Marquart.
57
d) Validacin del modelo.
0 500 1000 1500 2000
0
50
100
Ti empo en segundos
Seal de Control
P
o
r
c
e
n
t
a
j
e

d
e
a
p
e
r
t
u
r
a

d
e

l
a

v
a
l
v
u
l
a
1
0 500 1000 1500 2000
-100
-50
0
50
100
Ti empo (Muestreo)

Figura 19. Entrada aleatoria utilizada para la validacin del sistema
58
0 500 1000 1500 2000
30
40
50
60
Tiempo en segundos
Salida (solid) y Prediccin (dashed)
S
a
l
i
d
a

(
c
m
)
0 500 1000 1500 2000
-2
-1
0
1
Error de Prediccin
Tiempo en segundos
E
r
r
o
r

(
c
m
)
Figura 20. (a) Comparacin en tiempo real de la salida simulada y
la salida real.
(b) Error de prediccin.
59
2. Control neuronal aplicado a un prototipo de dos tanques
interconectados.

2.1 Control neuronal Inverso directo

Bsicamente el procedimiento que se sigui para la aplicacin de
esta tcnica de control es el siguiente:

Identificar el sistema alrededor del punto de operacin.
Definir la estructura de la red neuronal
Entrenar la red neuronal como el modelo inverso del sistema
Simulacin del control por modelo inverso directo
Aplicacin en tiempo real.
60
Identificar el sistema alrededor del punto de operacin.

Este punto ya fue cubierto en el problema de identificacin.

Definir la estructura de la red neuronal

La red neuronal que acta como el modelo inverso de la planta
tiene la misma estructura que la red neuronal que identifica al
sistema.

Entrenar la red neuronal como el modelo inverso del sistema

Para la determinacin de los parmetros ajustables (pesos) se
utiliza un entrenamiento basado en el algoritmo de Levenberg-
Marquart.
61
Figura 21. Resultado de simulacin para una referencia de 45 cm.
Figura 22. Resultado de simulacin para la seal de
control aplicada al sistema
Simulacin del control por modelo inverso directo

La simulacin arroja los siguientes resultados.
62
Aplicacin en tiempo real.

Una concluido el proceso de simulacin, se procede a
implementar el modelo de la red neuronal, utilizando
lenguaje C, obtenindose los siguientes resultados:
Figura 23. Salida del
sistema en tiempo real,
comparada con la
simulacin.
Figura 24. Ley de
control aplicada al
sistema en tiempo real.
63
2.2 Control neuronal por prealimentacin (Feedforward
Control)

A continuacin se presenta el procedimiento utilizado para
implementar el control por prealimantecin.

Identificacin del modelo inverso
Calculo de los parmetros del control PID
Simulacin del control por prealimentacin
Aplicacin en tiempo real.
64
Identificacin del modelo inverso.

La identificacin del modelo inverso se realiz tal y como se
explico anteriormente.

Calculo de los parmetros del control PID

Para construir el PID se utilizo el mtodo de Ziegler y Nicols
con los siguientes resultados:

Ti=408.8
Td=102.2
K=5.61
65
Simulacin del control por prealimentacin

La simulacin arroj los siguientes resultados.
Figura 25. Resultado de simulacin para una referencia de 45 cm
Figura 26. Resultado de simulacin para la seal de control
aplicada al sistema.
66
Aplicacin en tiempo real

Una vez concluido el proceso de simulacin, se procede a
implementar el modelo de la red neuronal, utilizando lenguaje
C, obtenindose los siguientes resultados:
Figura 27. Salida del
sistema en tiempo real.
Figura 28. Ley de
control aplicada al
sistema en tiempo real.
67
2.3. Control neuronal por modelo interno

El procedimiento que se sigui, para la realizacin del control
neuronal por modelo interno, es el siguiente:
Identificacin del modelo directo
Identificacin del modelo inverso
Simulacin del control por modelo interno
Aplicacin en tiempo real.
68
Identificacin del modelo directo.

La identificacin del modelo directo se realiz tal y como se
explico anteriormente.

Identificacin del modelo inverso

La identificacin del modelo directo se realiz tal y como se
explico anteriormente.

Simulacin del control por modelo interno

La simulacin arroj los siguientes resultados.
69
Figura 29. Resultado de simulacin para una referencia de 45 cm.
Figura 30. Resultado de simulacin para la seal de control
aplicada al sistema
70
Aplicacin en tiempo real

Una concluido el proceso de simulacin, se procede a
implementar el modelo de la red neuronal, utilizando
lenguaje C, obtenindose los siguientes resultados:

Figura 31. Salida del
sistema en tiempo real,
comparada con la
simulacin
Figura 32. Ley de
control aplicada al
sistema en tiempo real.
71
3. Estudio Comparativo

De los tres esquemas de control neuronal aplicados al prototipo
de tanque interconectados:

Control neuronal Inverso Directo
Control neuronal por Modelo Interno
Control neuronal por Prealimentacin

Se concluye que el control que presenta una mejor evolucin es el
control neuronal por modelo interno; ya que el entrenamiento de
la red neuronal resulta muy rpido y no requiere de sintonizacin
alguna para reproducir el comportamiento simulado en tiempo
real.Adems al incluir perturbaciones y variaciones paramtricas
el control continua con el desempeo deseado.