Control de Sistemas Dinámicos
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Introducción •
Control de Sistemas Dinámicos
Alejandro Peña P .
Cualquiera de la representaciones matemáticas de un sistema, utiliza el concepto del control realimentado de acuerdo con el siguiente diagrama de bloques:
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
•
•
El problema del control, se restringe, luego de que ha sido seleccionado el sistema de medición, al diseño del controlador. El controlador trata de buscar la relación funcional más adecuada para generar la entrada u[k] (Entrada de Control ). ).
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Introducción •
Control de Sistemas Dinámicos
Alejandro Peña P .
Cualquiera de la representaciones matemáticas de un sistema, utiliza el concepto del control realimentado de acuerdo con el siguiente diagrama de bloques:
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
•
•
El problema del control, se restringe, luego de que ha sido seleccionado el sistema de medición, al diseño del controlador. El controlador trata de buscar la relación funcional más adecuada para generar la entrada u[k] (Entrada de Control ). ).
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Introducción •
De acuerdo con esto, un modelo sujeto a un set point (Entrada de Comando) y posiblemente a entradas inciertas, genera una respuesta en la señal de salida x[k], o comportamiento aceptable.
•
La relación funcional para el controlador, puede ser una función del set point xd[k] y la señal del control u[k] . A este est e tipo de sistema se le conoce como control en lazo cerrado o control realimentado.
•
Los sistemas realimentados son de dos tipos: 1. Los Los que que rea realilime menntan tan la señal de salida , como se mostró en el esquema de control anterior. 2. Los Los que que rea realilime ment ntan an el el sistema , como ocurre en la representación en espacio de estados.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Introducción •
El problema fundamental del control, está asociado con la transferencia de estado del sistema x[k], a un conjunto de destino (moverse de un estado a otro) x[k+1] .
•
Cuando el conjunto de destino es constante en el espacio de estados, el problema se conoce como control de regulación .
•
•
Si el conjunto de destino es variante con el tiempo, especificado mediante una señal de control , el problema se conoce como control de seguimiento . La teoría del control moderno esta regida por dos conceptos fundamentales como son: controlabilidad y observabilidad.
•
La controlabilidad esta relacionada con una entrada de control existente que llevará un sistema a un punto determinado.
•
El objetivo de la controlabilidad es que la salida x[k] se aproxime, o aproxime al set point xd[k] .
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Observabilidad •
La observabilidad se enfoca en el problema de determinar el estado x[k] , a partir de las mediciones de x[k-1].
•
Se dice que un sistema es observable, si es posible inferir el estado inicial x[0] , a partir de un conjunto de mediciones de salida sobre un intervalo finito de tiempo [0,T].
•
De la mano de los conceptos anteriores, aparece el concepto de control adaptativo , y que es la base del control inteligente.
•
En el caso en donde un sistema contenga múltiples entradas y salidas, aparece la teoría del control multivariable .
•
En el caso de sistemas donde aparecen fenómenos aleatorios se utiliza la teoría de control estocástico. Ejemplo: Analizar la controlabilidad y la observabilidad de un sistema, expresado mediante redes neuronales del tipo MADALINE, de forma matemática, y utilizando MATLAB.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control de Sistemas Dinámicos
Observabilidad.
Alejandro Peña P .
• Ejemplo:
Determinar la observabilidad de un sistema, el cual fue identificado mediante la utilización de la red neuronal MADALINE y el modelo EPR de tipo lineal. •
El concepto de observabilidad , esta relacionado con el siguiente problema: Dado un sistema LTI, y sus entradas y sus salidas sobre un intervalo , calcular el estado inicial .
[0]
•
[]
[]
,
Siendo A y C dos matrices constantes de dimensiones nxn y mxn respectivamente, un sistema es completamente observable , si y solo si, la matriz de observabilidad . es de rango n.
. . . . .− .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control de Sistemas Dinámicos
Controlabilidad •
Alejandro Peña P .
La controlabilidad de un sistema, responde a la siguiente pregunta:
[]
¿Existe siempre una entrada de control la cual puede transferir el sistema desde el estado inicial a otro estado deseado en un tiempo finito? •
Mientras que la observabilidad responde a la pregunta:
[]
¿El estado inicial del que parte un sistema, puede siempre identificarse mediante la observación de la salida y de la entrada sobre un tiempo finito k?
[]
•
Estas características del sistema pueden ser contestadas mediante las propiedades de las matrices A, B, C y D, que definen un espacio de estados para un sistema.
•
Las matrices A, B, son las que tienen que ver con la relación entre entrada y estado, y se les conoce como el par de controlabilidad .
•
Las matrices A, C, involucran el estado con la salida, a estas dos matrices se les conoce como par de observabilidad.
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control de Sistemas Dinámicos
Controlabilidad.
Alejandro Peña P .
• Ejemplo:
Determinar la controlabilidad de un sistema, el cual fue identificado mediante la utilización de la red neuronal MADALINE y el modelo EPR de tipo lineal . •
Este estudio se concentrará en sistemas SISO, sistemas de una sola entrada, e invariantes en el tiempo (LTI).
•
Para dichos sistemas la matriz de controlabilidad es cuadrada, y si la misma es de rango n , significa la misma es no singular y que es invertible.
•
La matriz de controlabilidad se construye de la siguiente manera:
.
•
Para que un sistema descrito sea de estado completamente controlable , es necesario y suficiente que la matriz (.) de controlabilidad, sea de rango igual a n .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Controlabilidad y Observabilidad (MATLAB). •
Control de Sistemas Dinámicos
Alejandro Peña P .
Para calcular la matriz de observabilidad : >>Co=ctrb(A,B);
•
Para calcular la matriz de observabilidad : >>Ob=obsv(A,C);
•
Para calcular el rango de una matriz: >>rank(Co); >>rank(Ob);
•
Para simular el comportamiento de un Sistema SISO en tiempo discreto: 1. Organizamos la red, lado izquierdo los retardos de la planta en forma descendente. Lado derecho la señal de control en orden descendente. 2. Se calcula la transformada Z. 3. Se divide H(z) por la máxima potencia arriba y abajo. 4. Se construyen los vectores A1, B1 en MATLAB.
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Controlabilidad y Observabilidad (MATLAB). •
Control de Sistemas Dinámicos
Alejandro Peña P .
Para llevar a cabo la simulación de un sistema SISO en tiempo discreto: >>k=0:0.1:20; >>escalon=ones(size(k)); >>y2=filter (B,A,escalon);
•
Otra alternativa para llevar a cabo la simulación a la respuesta en tiempo discreto: >>G=tf(B,A,[]); >>y3=step(G,k);
•
Para graficar ambos resultados: >>plot(k,y2); >>hold on >>plot(k,y3);
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control Inteligente
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Esquemas del Control Inteligente. •
El incremento de las demandas tecnológicas, ha generado sistemas complejos que requieren de controladores sofisticados para asegurar alto desempeño ante condiciones adversas.
•
Estas condiciones son difícilmente logrables con controladores convencionales, debido al desconocimiento de la dinámica de un sistema, la cual puede variar de manera significativamente y de manera impredecible con el tiempo.
•
El control inteligente es la disciplina donde los métodos de control se desarrollan para emular características importantes de un controlador o cerebro humano: 1. Son robustos y tolerantes a fallas. 2. Son compactos y consumen poca energía. 3. Se acomodan a diferentes ambientes por aprendizaje.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Esquemas del Control Inteligente. •
Las áreas donde se esta trabajando alrededor del control inteligente son: redes neuronales, control difuso, algoritmos genéticos, sistemas de planeación, sistemas expertos y sistemas híbridos.
•
Un sistema de control inteligente debe ser autónomo, con el poder de autogobernarse. La autonomía es el objetivo de los sistemas de control complejos, y los controladores inteligentes son una manera de lograrlo.
•
• •
Un modelo matemático de una planta o sistema debe ser lo bastante simple para que pueda ser analizado, y bastante exacto tal que describa los aspectos más importantes de su comportamiento. En general, los modelos lineales generan controles para cumplir especificaciones alrededor de un punto de operación. En sistemas de control con alto grado de autonomía ( control inteligente ), pueden incrementar significativamente el rango de operación de un sistema, esto debido a su capacidad de aprendizaje de la evolución de un sistema.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control Inteligente de Sistemas. •
El objetivo del control inteligente , al igual que el control adaptativo , es el ajuste de los parámetros del control, para lograr una respuesta específica de un sistema desconocido, o variante en el tiempo, con, o sin un modelo de referencia (Dagli, 1994).
•
Cuando se habla de control inteligente , generalmente se entiende que es un modelo por aprendizaje y adaptación, con el objetivo de calcular la acción de control para un proceso que cambio con el tiempo, de modo que se alcance el objetivo de control deseado.
•
La diversidad de los métodos o estrategias de control, radica en el modo de representación de un sistema dinámico, y en la forma que generan la acción de control.
•
Los algoritmos por aprendizaje, se basan generalmente en la Regla Delta Generalizada , de manera que los parámetros del controlador, se adaptan en la dirección negativa del gradiente de una determinada función de error.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control Neuronal
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control Neuronal •
En aplicaciones industriales, lo más relevante del uso de redes neuronales, esta directamente relacionado con la identificación de sistemas , o con la optimización de controladores .
•
Una de las habilidades más importantes de las redes neuronales artificiales, es su capacidad para aproximar funciones no lineales .
•
•
La identificación de sistemas utilizando redes neuronales, consiste en entrenar la red a partir de un conjunto de pares de datos de entrada y salida de una planta, o proceso característico no lineal . El problema de identificación con redes neuronales, se puede considerar como un problema de aproximación de una función no lineal a un proceso complejo.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Esquemas de Control Neuronal •
Las redes neuronales artificiales, ocupan un lugar importante en el desarrollo de técnicas de control para proceso dinámicos no lineales.
•
Cuando se habla de control de procesos utilizando redes neuronales, generalmente se entiende que es una red encargada de calcular la acción de control que hay que aplicar a un proceso, para que alcance el objetivo de control deseado.
•
•
La diversidad de los métodos, o estrategias de control, radica en el modelo de realizar el entrenamiento de la red, así como el tipo de red de neuronas a utilizar. El aprendizaje de las redes neuronales, se basan en el método de la regla delta generalizada, adaptando los pesos en términos del error con respecto a la señal de referencia.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Esquemas de Control utilizando Redes Neuronales •
Control de Sistemas Dinámicos
Alejandro Peña P .
Los esquemas más utilizados en el control con redes neuronales, son los siguientes: 1. Copia de un Controlador Existente. 2. Control Inverso. 3. Control basado en la Regla Delta Generalizada (Control Adaptativo).
4. Control Predictivo. •
•
A pesar de las clasificaciones, un marco unificador para el control neuronal es ver el entrenamiento como un problema de optimización no lineal . El esquema basado en la regla delta , es llamado control indirecto , ya que una red neuronal no envía una señal de control directamente al proceso. Aquí la red neuronal se utiliza como indicador de las características del proceso.
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control Inverso
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control Neuronal Inverso. •
El esquema de control inverso, consiste en aproximar mediante una red de neuronas, la dinámica inversa de un sistema o proceso.
•
La salida de un proceso se puede expresar de la siguiente manera: x
, [ 1, 2 , ……, [ ]
Donde: u[k]: Representa la entrada del proceso. •
Por tanto una estrategia de control inverso la red de neuronas se utiliza para aproximar la siguiente relación:
− , 1 , … … , [ ]
•
El aprendizaje mediante un esquema de control inverso utilizando redes neuronales, se lleva a cabo mediante aprendizaje generalizado .
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control de Sistemas Dinámicos
Aprendizaje Generalizado
Alejandro Peña P .
•
En este caso, la red neuronal se entrena para que aprenda la dinámica inversa del proceso en su totalidad.
•
Para dicho entrenamiento, se utiliza un conjunto de datos representativo de dicha dinámica (dinámica inversa) , esta dinámica se obtiene manipulando la acción de control , y observando o midiendo la salida del proceso para dicha señal.
•
Por tanto, el aprendizaje de la red realiza mediante la dirección negativa del gradiente de la siguiente función:
1 2
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control Neuronal (Regla Delta Generalizada)
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Control Sistemas Dinámicos
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control de Sistemas Dinámicos
Aprendizaje Especializado •
Alejandro Peña P .
El modelo neuronal para este tipo de aprendizaje, es obtenido con la estructura de modelación directa de la siguiente manera:
Contenido Control Sistemas Dinámicos
•
Para el entrenamiento de la red neuronal, se utiliza el algoritmo de entrenamiento backpropagation . Para este tipo de modelación, la función de costo a minimizar es la siguiente:
12 =
Introducción Observabilidad Controlabilidad Esquemas de Control Control Neuronal
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Control de Sistemas Dinámicos
Aprendizaje Especializado •
Alejandro Peña P .
El control por la regla delta generalizada , se denota y define de la siguiente manera:
1
Donde:
Contenido
u[k]: Representan la señal de control. α: Representa la ganancia de paso donde
: Es el gradiente de la función a
Control Sistemas Dinámicos
>0 . optimizar
con respecto a la señal de control.
Control Neuronal
: Función candidata de Lyapunov. • Ejemplo: Calcular la regla de control para una red neuronal tipo MADALINE con función de activación tanh a la salida
la capa oculta de neuronas.
Introducción Observabilidad Controlabilidad Esquemas de Control
de de
Introducción Control Inverso Aprendizaje Generalizado Regla Delta Generalizada Aprendizaje Específico Bibliografía
Análisis de Sistemas
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Estabilidad. •
Es una de las características más importantes del control, ya que en un sistema estable , la señal de salida al tener un cambio de cualquier tipo a la entrada, este no se sale de los límites establecidos.
•
De esta manera, el sistema mantiene una posición si no igual, por lo menos paralela a la señal de entrada.
•
•
La estabilidad en sistemas continuos , esta determinada porque las raíces del denominador de la función de transferencia en lazo cerrado , están en la región estable del plano s. La estabilidad en sistemas discretos , esta determinada porque los polos de la función de transferencia se encuentran al interior del circulo unitario en unitario en el plano z.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Estabilidad (z-plane). Para calcular la estabilidad de un sistema en tiempo discreto , se debe tener en cuenta el siguiente procedimiento: • Sea la siguiente función de transferencia en tiempo continuo : >> A1=27; >> B1=[1 27 0]; >> Ga=tf(A1,B1); >> Gz=c2d(Ga,0.1,’zoh’) >> Tz=feedback(Gz,1); >> r=pole(Tz); >> rm=max(abs(r));
Control de Sistemas Dinámicos
Alejandro Peña P .
•
• Ejemplo :
Evaluar la estabilidad de un sistema, a partir de un controlador encontrado mediante redes neuronales utilizando aprendizaje por Regla Delta Generalizada . Analizar la sensibilidad del factor de aprendizaje en el control.
0.2123436 0.2611085 3 0.2337058 2 0.3009152[ 3]
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Root Locus De manera general, la estabilidad de un sistema realimentado, esta directamente relacionada con la ubicación de los polos . • Cuando el sistema posee una ganancia variable , la estabilidad de un sistema depende del valor escogido para dicha ganancia. • El análisis root locus permite evaluar la estabilidad de un sistema, en términos de observar el movimiento de los polos en el plano complejo, de acuerdo con la variación de la ganancia del sistema.
Control de Sistemas Dinámicos
Alejandro Peña P .
•
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control de Sistemas Dinámicos
Root Locus
Alejandro Peña P .
• Ejemplo: Considerar
un sistema en lazo cerrado el cual tiene la siguiente función de transferencia:
0.5 0.610
•
El diagrama en root locus se construye utilizando MATLAB de la siguiente manera: >>num=[1]; >>den=[1 1.1 10.3 5 0]; >>[r,K]=rlocus(num,den); >>plot(r,’-’) >>axis(‘equal’); >>V=[-4 4 -4 4]; >>axis(v) >>grid
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Root Locus
Control de Sistemas Dinámicos
Alejandro Peña P .
• Ejemplo: Considerar
un sistema en lazo cerrado el cual tiene la siguiente función de transferencia:
z^4 z^4 1.5 z^3 0.38 z^2 0.128 z 0.008
•
El diagrama en root locus en tiempo discreto se construye utilizando MATLAB de la siguiente manera: >>num=[1 0 0 0 0]; >>den=[1 -1.5 0.38 0.128 -0.008]; >>Gz=tf(num,den,[]); >>Tz=feedback(Gz,1) >>rlocus(num,den); >>[K,polos]=rlocfind(num,den); >>axis([-1 1 -1 1]) >>grid >>K Este análisis permite determinar el valor de K para el cual es modelo presenta estabilidad.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Respuesta al Escalón •
Control de Sistemas Dinámicos
Alejandro Peña P .
Ahora para determinar la respuesta al escalón, debemos tener en cuenta el siguiente procedimiento: >>[numcDz,dencDz]=cloop(K*num,den); >>U=1; >>[x]=dstep(U*numcDz,dencDz,201); >>figura >>t=0:0.5:10; >>stairs(t,x) >>grid
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
• Ejemplo: Analizar madaline .
la estabilidad de una red neuronal del tipo
0.2123436 0.2611085 3 0.2337058 2 0.3009152[3]
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Exactitud •
La exactitud de error (static or steady state error), se refiere a qué tan bien un sistema se ajusta a cambios en el valor de referencia, y qué también puede eliminar los disturbios en estado estable.
•
Con la palabra estado estable , nos referimos al valor final del sistema después de un cambio, sin estar interesados en su comportamiento transitorio.
•
Las siguientes Figuras muestran la diferencia entre un buen sistema y un mal sistema. Para que un sistema sea bueno , se requiere que la señal de salida se ajuste a la señal de entrada sin error.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control de Sistemas Dinámicos
Exactitud •
Alejandro Peña P .
Para evaluar la estabilidad y la exactitud de un sistemas de control, es necesario tener en cuenta el siguiente sistema:
+ + Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud
•
De manera general, la exactitud de un sistema se puede calcular de la siguiente manera:
∗ ∞ → lim 1 − 1 1 2
Donde:
∗ •
∞ : Es el valor final del error.
La ecuación anterior puede ser evaluada para señales de entrada como: Escalón, Rampa y Parábola .
Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Exactitud (Unit Step Input ) •
Control de Sistemas Dinámicos
Alejandro Peña P .
Para este caso en particular, la función que representa el Escalón, esta dada dela siguiente manera:
−
Sustituyendo en la ecuación anterior:
∗
∞ 1lim1 →
Donde:
lim→ Reescribiendo
1 ∗ ∞ 1
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Exactitud (Unit Ramp Input ) •
Control de Sistemas Dinámicos
Alejandro Peña P .
Para este caso en particular, la función que representa la rampa, esta dada dela siguiente manera:
1 Sustituyendo en la ecuación anterior: 1 ∗ ∞ Donde:
→ lim 1 T : Tiempo de muestreo
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Exactitud (Unit Parabolic Input ) •
Control de Sistemas Dinámicos
Alejandro Peña P .
Para este caso en particular, la función que representa la parábola, esta dada dela siguiente manera:
(1) 2(1) Sustituyendo en la ecuación anterior: 1 ∗ ∞ Donde: 1 ∗ lim1 → T :
Tiempo de muestreo.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Exactitud (Matlab ) • Ejemplo :
Control de Sistemas Dinámicos
Alejandro Peña P .
Evaluar la estabilidad de un sistema, obtenido
mediante la regla delta generalizada (G(z)=Gr(z)*Gp(z)).
0.5 1 0.12 2 0.008 3 [] Contenido
>>Kp=dcgain(Gz); >>GzKv=(1/T)*tf([1 -1],[0 1], T)* Gz; >>GzKv=minreal(GzKv,0.00001); >>Kv=dcgain(GzKv) >>GzKa=(1/T ^2)*tf([1 -2 1],[0 0 1],T)*Gz; >>GzKa=minreal(GzKa,0.00001) >>Ka=dcgain(GzKa) • minreal(Sys,Tol): Permite
cancelar los términos comunes de una función de transferencia: Sys: Es el sistema a estudiar. Tol: Es un parámetro opcional.
Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Equilibrio y Estabilidad
Control de Sistemas Dinámicos
Alejandro Peña P .
(Función de Lyapunov)
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Función de Lyapunov •
Las funciones de Lyapunov , son funciones que demuestran la estabilidad de cierto punto fijo en un sistema dinámico.
•
Las funciones que pueden probar la estabilidad de un punto cualquier de equilibrio son llamadas candidatas a funciones Lyapunov .
•
Para los sistemas dinámicos (como los sistemas físicos) las leyes de conservación proveen frecuentemente las funciones de Lyapunov.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Función de Lyapunov •
Las funciones de Lyapunov , son funciones que demuestran la estabilidad de cierto punto fijo en un sistema dinámico.
•
Las funciones que pueden probar la estabilidad de un punto cualquier de equilibrio son llamadas candidatas a funciones Lyapunov .
•
Para los sistemas dinámicos (como los sistemas físicos) las leyes de conservación proveen frecuentemente las funciones de Lyapunov.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios
Tomado de Wikipedia (Función de Lyapunov, 2008)
Bibliografía
Control de Sistemas Dinámicos
Definición intuitiva función de Lyapunov •
Un sistema dinámico requiere un estado inicial y una función de evolución que indica la trayectoria de los estados futuros que tendrá el sistema.
•
Alejandro Peña P .
,
Una función de Lyapunov corresponde a una familia de regiones espaciales , cada una de las cuales queda definida por una curva de nivel, o curva potencial .
•
Una vez que el estado ha entrado en la regio de Lyapunov, correspondiente a la curva de nivel , ya no podrá salir de ella.
•
De este modo, a medida que el tiempo avanza, el sistema irá quedando atrapado en regiones de Lyapunov cada vez más pequeñas.
•
Es por esto que la función de Lyapunov, irá en decrecimiento al pasar el tiempo, lo que permite asegurar que el sistema dinámico es estable.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Definición de la función de Lyapunov •
Control de Sistemas Dinámicos
Alejandro Peña P .
Sea la siguiente función escalar :
: →
Una función candidata de Lyapunov, si es localmente (en 0) definida positiva, o equivalentemente, si existe un entorno U de 0 tal que:
0 0,
•
> 0 ∈ 0
El segundo teorema de Lyapunov, se denota y define:
∗ 0
En donde un punto de equilibrio del sistema autonoma esta definido: Y sea
Esta es la derivada respecto al tiempo de una función candidata de Lyapunov.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Equilibrios de Lyapunov
Control de Sistemas Dinámicos
Alejandro Peña P .
• Equilibrio Estable:
Este equilibrio, se da cuando la derivada respecto al tiempo de la función candidata de Lyapunov V y localmente semidefinida negativa, esto es, si existe un entorno V de 0 tal que:
≤ 0, ∈ Para algún entorno o vecindad B , entonces se dice que el sistema tiene un equilibrio estable . • Equilibrio Localmente Atractivo:
Si la derivada respecto al tiempo de la función candidata de Lyapunov V esta localmente definida negativa, esto es si existe un entorno B de 0 tal que:
< 0, ∈ Entonces el equilibrio es localmente atractivo .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Equilibrios de Lyapunov
Control de Sistemas Dinámicos
Alejandro Peña P .
• Equilibrio Globalmente Atractivo:
Si las funciones candidatas de Lyapunov V estan definidas como positiva sobre todo el dominio, y su derivada respecto al tiempo es globalmente definida como negativa, esto es:
≤ 0, ∈ 0 Entonces el equilibrio es globalmente atractivo . •
El control mediante la utilización de los principios de las redes neuronales, utiliza como elemento fundamental el error cuadrático medio, el cual se denota y define como: Donde:
1 2
: Error cuadrático medio. : Set-Point o valor de referencia para el funcionamiento del sistema.
: Respuesta del Sistema Dinámico.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control de Sistemas Dinámicos
Equilibrios de Lyapunov •
Alejandro Peña P .
Sea una red neuronal de tipo Madaline definida de la siguiente manera:
De este modo, la actualización de los pesos teniendo en cuenta la regla delta generalizada , tenemos lo siguiente:
∝ + ,
Donde:
Análisis de Sistemas
, : Sensibilidad del controlador con respecto a la actualización de los pesos . , : Es el controlador obtenido a partir de la red neuronal de identificación.
Contenido
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escalón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Equilibrios de Lyapunov •
Alejandro Peña P .
De acuerdo con lo anterior, la derivada del error cuadrático medio en función del tiempo, se denota y define como:
, Cuando > 0, entonces ≤ 0 para todo > 0 . De aquí se concluye que de la teoría de estabilidad de Lyapunov, la función del error esta decrementando a medida que el tiempo esta creciendo. •
Control de Sistemas Dinámicos
De esta manera, los parámetros de sintonización del modelo, son capaces de producir las entradas de control adaptables, que son convenientes para que el sistema alcance la salida deseada .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Estabilidad (Root Locus)
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Root Locus De manera general, la estabilidad de un sistema realimentado, esta directamente relacionada con la ubicación de los polos . • Cuando el sistema posee una ganancia variable , la estabilidad de un sistema depende del valor escogido para dicha ganancia. • El análisis root locus permite evaluar la estabilidad de un sistema, en términos de observar el movimiento de los polos en el plano complejo, de acuerdo con la variación de la ganancia del sistema.
Control de Sistemas Dinámicos
Alejandro Peña P .
•
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Root Locus
Control de Sistemas Dinámicos
Alejandro Peña P .
Analizar la estabilidad del siguiente sistema, mediante la utilización del método root locus.
• Ejemplo:
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Polos y Ceros •
Control de Sistemas Dinámicos
Alejandro Peña P .
En los siguientes ejemplos, se muestra el comportamiento de diferentes sistemas de acuerdo con la ubicación de sus polos en el plano complejo. Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control de Sistemas Dinámicos
Root Locus
Alejandro Peña P .
• Ejemplo: Considerar
un sistema en lazo cerrado el cual tiene la siguiente función de transferencia:
0.5 0.610
•
El diagrama en root locus se construye utilizando MATLAB de la siguiente manera: >>num=[1]; >>den=[1 1.1 10.3 5 0]; >>[r,K]=rlocus(num,den); >>plot(r,’-’) >>axis(‘equal’); >>V=[-4 4 -4 4]; >>axis(v) >>grid
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Root Locus
Control de Sistemas Dinámicos
Alejandro Peña P .
• Ejemplo: Considerar
un sistema en lazo cerrado el cual tiene la siguiente función de transferencia:
z^4 z^4 1.5 z^3 0.38 z^2 0.128 z 0.008
•
El diagrama en root locus en tiempo discreto se construye utilizando MATLAB de la siguiente manera: >>num=[1 0 0 0 0]; >>den=[1 -1.5 0.38 0.128 -0.008]; >>Gz=tf(num,den,[]); >>Tz=feedback(Gz,1) >>rlocus(num,den); >>[K,polos]=rlocfind(num,den); >>axis([-1 1 -1 1]) >>grid >>K Este análisis permite determinar el valor de K para el cual es modelo presenta estabilidad.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Root Locus •
Control de Sistemas Dinámicos
Alejandro Peña P .
Ahora para determinar la respuesta al escalón,, debemos tener en cuenta el siguiente procedimiento: >>[numcDz,dencDz]=cloop(K*num,den); >>U=1; >>[x]=dstep(U*numcDz,dencDz,201); >>figura >>t=0:0.5:10; >>stairs(t,x) >>grid
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control Neuronal Adaptativo
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control Adaptativo en Manufactura •
En muchos casos, estos procesos y sistemas son muy complejos, y en general son de tipo no lineal, multivariable y sometidos a disturbios externos desconocidos.
•
Para lograr grados de autonomía en dichos procesos, se requiere del diseño de controladores que sean capaces de adaptarse al continuo cambio de la dinámica de un proceso.
•
El objetivo del control adaptativo, es ajustar los parámetros de control, para lograr la respuesta deseado en un sistema desconocido, o que varia con el tiempo.
•
Para el desarrollo de este tipo de controles, en muchos casos no se cuenta con un modelo estimado del sistema, o un modelo de referencia.
•
En general, el control adaptativo con redes neuronales puede categorizarse en tres diferentes técnicas de aprendizaje: 1. Aprendizaje Adaptativo – Self Tunning . 2. Aprendizaje Adaptativo Indirecto 3. Aprendizaje Adaptativo - MRAC
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control Neuronal Adaptativo (Self Tunning) •
En el aprendizaje general , En este tipo de esquema utiliza la adaptación de los pesos basado en la regla delta generalizada. Esta actualización se genera luego de que el control ha enviado la señal de control al sistema o proceso.
•
Este tipo de control se conoce como self tunning control, y se denota y define de la siguiente manera (Dagli, 1994).
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control Neuronal Adaptativo (Modelo Indirecto) •
Control de Sistemas Dinámicos
Alejandro Peña P .
El modelo indirecto , se aproxima a la dinámica inversa local del proceso, es decir, la dinámica inversa en una determinada región de interés (Isazi, 2004). Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control Neuronal Adaptativo (Modelo Indirecto) •
Para poder llevar a cabo el aprendizaje del proceso, es necesario conocer el jacobiano del proceso de la siguiente manera:
1 . 1
•
Alejandro Peña P .
De acuerdo con el esquema anterior, la red es el objetivo de control, y la salida de la red es la acción de control que se aplica al sistema dinámico. De acuerdo con esto, el objetivo del control se denota y define de la siguiente manera:
1 1 2 1 1
•
Control de Sistemas Dinámicos
Para este tipo de aprendizaje, no se hace necesario disponer de un conjunto de patrones de entrenamiento, pues lo datos para el aprendizaje proviene de la evolución directa del proceso.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control Neuronal Adaptativo (MRAC) •
El aprendizaje especializado, el modelo requiere de un modelo explicito de un proceso, y en donde los parámetros del control son ajustados mediante la minimización del error entre el modelo y la salida actual del sistema.
•
Este modelo utiliza un modelo de referencia, el cual determina la señal de control mediante la regla delta generalizada.
•
Este tipo de control se conoce como model reference adaptative control (MRAC). Este modelo se denota y define de la siguiente manera (Dagli, 1994)
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control Modos Deslizantes
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Alejandro Peña P., PhD.
[email protected] Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control de Sistemas Dinámicos
Esquema de Control
Alejandro Peña P .
•
El control por modos deslizantes , es un tipo de control utilizado para plantas con parámetros variables, incertidumbres en el modelo y perturbaciones externas.
•
Para la implementación de este tipo de control, es necesario la identificación del sistema, utilizando para ello el modelo neuronal de un paso adelante + .
•
Este esquema de control, se denota y define de la siguiente manera (Tomado: Giraldo and Hoyos, 2004):
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Esquema de Control •
El controlador (usualmente otra red neuronal) monitorea las entradas y salidas de la planta, y manipula la entrada (señal de control) para calcular la predicción de la salida .
•
Para este esquema de control, se utiliza un modelo interno del sistema como referencia, el cual fue identificado y almacenado por la red neuronal como modelo de la planta un paso adelante.
•
La adaptación del controlador, se hace mediante la utilización de la regla delta generalizada , sobre la red neuronal un paso adelante que sirve de referencia a este esquema.
+ +
•
El error de mando o de comando virtual, se denota y define: Donde:
1 + +
+ + + : Jacobiano del Sistema.
Control de Sistemas Dinámicos
Alejandro Peña P .
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Control de Sistemas Dinámicos
Algoritmo de Aprendizaje •
Alejandro Peña P .
El diseño de control por modos deslizantes, se divide en dos fases:
En la primera, una superficie deslizante se define para producir un comportamiento entrada/salida. Esta es la adaptación sobre el modelo un paso adelante, el cual se denota y define:
,
> 0.
Donde:
+: Error del modelo con respecto al setpoint . : Error del modelo con respecto a la respuesta del sistema.
En la segunda, los pesos son actualizados de forma que satisfacen las condiciones de seguimiento de la superficie deslizante.
,
> 0.
De acuerdo con lo anterior, estos errores son similares a los errores del modelo, ya que el controlador se deriva de este.
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Bibliografía
Control de Sistemas Dinámicos
Alejandro Peña P .
ISAZI, P. Redes de Neuronas Artificiales. Ed. Prentice Hall Latinoamérica, Primera Edición, México, 2.002 HILERA GONZÁLEZ, José Ramón; MARTÍNEZ, Víctor José. Redes neuronales artificiales: fundamentos, modelos y aplicaciones. España: Rama, 1995. 390 p.
Contenido Análisis de Sistemas
García, B. Patricio, Introducción a las Redes Neuronales y su Aplicación a la Investigación en Astrofísica Universidad de Gran Canarias, España, 2009. Navarro, Rina Ingeniería de Control Analógica y Digital , Mc. Graw Hill, México, 2004. ISBN: 970-10-4677-3. Nise, Norman. Control System Engineering John Wiley & Sons, Fifth Edition, 2007. ISBN: 978-0471-79475-2.
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Hernández B. E. Noriega, L., B. Algoritmo de Control para Sistemas Dinámicos No Lineales Aplicando Redes Neuronales Completar
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
Bibliografía
Control de Sistemas Dinámicos
Alejandro Peña P .
Díaz, J.G. Peraza, C. Castellanos, J. et al. Comprobación de la controlabilidad de un sistemas no lineal mediante ANFIS
Universidad de Carabobo, Ingeniería UC (13-003), Valencia, Venezuela, 2006. Kuo, B. Sistemas de Control Automático Ed. Prentice Hall, «da. Edición, 1996. Dagly,
Chan
Artificial
Manufcaturing Ed.
Neural
Networks
for
Intelligent
Chapman & Hall, London, 1994 ISBN: 0-412-
48050-6. Giraldo B., D. Hoyos, J.G. Control Adaptativo con Red Neuronal de Elman y Modos Deslizantes Scientia et Technica, Vol.X, Num. 24, pp. 49-53 ISSN: 0122-01701 Sedano, F. J. Alonso A., A. Villar F., J.R. Identificación de Sistemas No Lineales mediante Redes Neuronales Artificiales
Técnica Industrial, pp.45-53. ISSN: 0040-1838 Mejía, A. Caso de control adaptable para sistemas multivariados Tesis de Grado, Universidad Nacional de Colombia (Sede Medellín), 2009
Contenido Análisis de Sistemas
Estabilidad Estabilidad (z-plane) Root Locus Respuesta al Escaolón Exactitud Control Neuronal Adaptativo
Self Tunning Modelo Indirrecto Esquema MRAC Modos Deslizantes Algoritmos de Aprendizaje Equilibrio y Estabilidad
Función de Lyapunov Definición Intuitiva Definición Formal Equilibrios Bibliografía
