INSTITUTO POLITCNICO NACIONAL

Escuela Superior de Ingeniera Mecnica y Elctrica

Unidad Profesional Ticomn

SISTEMAS DE CONTROL
CONTROL POR REDES NEURONALES

Barajas Carneiro Edgar

Guevara Martnez Eduardo Javier
Miguel vila Selene
GRUPO:
8AV2
ENTREGA:
07/11/2016

INTRODUCCIN. Redes Neuronales

Ya en 1911, con los primeros estudios de Santiago Ramon y Cajal, las neuronas se definieron como el componente
bsico del sistema nervioso, incluyendo al cerebro, el cual est formado por un enorme nmero de ellas. As
mismo, existen numerosos estudios que muestran que estas neuronas estn conectadas de forma masiva entre
s, y aunque esta cualidad est presente en todos los animales es mucho ms acentuada y evidente en los seres
humanos, caracterstica que nos permite ser inteligentes y nos discrimina del resto de seres vivos.
Y aunque an en la actualidad el cerebro es quiz el rgano que ms se desconoce en la anatoma humana, el
estudio de la inteligencia ha fascinado a filsofos y cientficos, siendo un tema recurrente en tratados y libros. Una
de las capacidades ms relevantes de nuestro cerebro es la capacidad que tiene para aprender gracias a la
interaccin con el medio ambiente. Por este motivo la representacin de las redes neuronales biolgicas por
medio de un modelo formal resulta de sumo inters para diversas disciplinas: neurociencia, matemticas,
estadstica, fsica, ciencias de la computacin, ingeniera, entre otras.
De este inters surgen las redes neuronales artificiales, las cuales tratan de extraer las excelentes capacidades del
cerebro para resolver algunos de los problemas ms complejos de las disciplinas antes mencionadas, como: visin,
reconocimiento de patrones, control moto-sensorial o procesamiento de seales.
Es precisamente en el problema del procesamiento de seales el que se tratara en este proyecto, ya que este se
basa en la simulacin de sistemas de control mediante la utilizacin de redes neuronales.
A continuacin se explicara que es una red neuronal, que es un sistema de control y la relacin que se ha
establecido entre los dos en el programa.

REDES NEURONALES BIOLGICAS

Para entender el funcionamiento del programa es necesario entender el funcionamiento de las redes neuronales
artificiales, y para entender estas es necesario tambin entender las redes neuronales biolgicas.
El cerebro est compuesto de clulas nerviosas llamadas neuronas. Estas neuronas tienen ramas diminutas que
se extienden y se conectan con otras neuronas para formar una red neuronal. El cerebro construye todos sus
conceptos por la memoria asociativa, lo que significa nuevas conexiones entre neuronas. Por ejemplo, las ideas,
los pensamientos y los sentimientos estn todos construidos e interconectados en esta red neuronal y gracias a
esta interconexin el cerebro es capaz de resolver problemas de pensamiento no analticos tales como la
percepcin, el razonamiento, la memoria asociativa, la decisin, la creatividad, la planificacin de tareas, el
control, y sobre todo, el lenguaje natural y el aprendizaje.
Estas redes neuronales estn compuestas por neuronas de entrada (sensores), conectados a una red compleja de
neuronas calculadoras conectadas a las neuronas de salida, las cuales se pueden encargar, por ejemplo de
controlar la activacin de los msculos.
Fisiolgicamente, las neuronas que se disparan juntas se conectan. Si practicas algo una y otra vez esas clulas
nerviosas tienen una relacin a largo plazo. Si por el contrario dejas de practicar una actividad durante un largo

tiempo, estas clulas empiezan a interrumpir su relacin a largo plazo. Esto es lo que conocemos como
aprendizaje.
Se estima que en un solo milmetro cubico de nuestro cerebro hay unas 40.000 neuronas (ms de cien mil millones
en todo nuestro cerebro) y 1.000 conexiones de fibras nerviosas.
La misin de estas neuronas comprende generalmente cinco funciones parciales:

Recoger informacin que llega a ellas en forma de impulsos precedentes de otras neuronas o receptores.
La integran en un cdigo de activacin propio de la clula.
La transmiten codificada en forma de frecuencia de impulsos a travs de su axn.
A travs de sus ramificaciones del axn efecta la distribucin espacial de los mensajes.
En sus terminales transmite los impulsos a las neuronas subsiguientes a las clulas efectoras.

La siguiente figura muestra el diagrama de una clula nerviosa tpica.

Figura 1. Neurona Biolgica

En este esquema se aprecia que, al igual que el resto de las clulas del organismo, la neurona consta de un ncleo.
Adems del ncleo la neurona cuenta tambin con algunos elementos especficos. En primer lugar est el axn,
que es una ramificacin de salida de la neurona. A travs de l se propagan una serie de impulsos electro-qumicos.
La neurona tambin cuenta con un gran nmero de ramificaciones de entrada, llamadas dendritas, que se
encargan de propagar la seal al interior de la neurona.
La propagacin de estas seales funciona de la siguiente forma. Las dendritas recogen informacin electroqumica procedente de las clulas vecinas a las que la clula en cuestin est conectada; esta informacin llega al
ncleo donde se procesa hasta generar una respuesta que es propagada por el axn. Ms tarde, esta seal se
ramifica y llega a dendritas de otras clulas a travs de lo que se denomina sinapsis. Las sinapsis son los elementos

de unin entre axn y dendritas. Consiste en un espacio lquido donde existen determinadas concentraciones de
elementos ionizados que hacen que el espacio intersinptico posea ciertas propiedades de conductividad que
activen o impidan en mayor o menor grado el paso del impulso elctrico. Por lo tanto las sinapsis funcionan como
potenciadores o inhibidores de la seal procedente de los axones. La concentracin inica de estas sinapsis es
modificada sucesivamente dentro de la enorme malla de neuronas. Esta concentracin inica es muy importante,
ya que las neuronas no son elementos lineales, funcionan por saturacin y slo producen una seal de activacin
si la seal recibida supera un cierto umbral, en caso contrario permanecen inhibidas sin transmitir informacin a
otras neuronas.

REDES NEURONALES ARTIFICIALES

Las redes neuronales artificiales (RNA) intentan extraer las grandes capacidades que tiene nuestro cerebro para
resolver problemas complejos que de otra forma seran muy difciles de resolver.
Las RNA ofrecen algunas ventajas como:
No linealidad: gracias a la sinapsis el procesador neuronal biolgico no es lineal, el procesador neuronal
artificial tambin utiliza la sinapsis y slo se activa si la seal supera el umbral de activacin, lo que tambin
lo convierte en no lineal. Si la neurona es no lineal la red neuronal tambin lo es.
Transformacin entrada-salida: El proceso de aprendizaje de la red consiste en mostrarle un ejemplo y
modificar sus pesos sinpticos de acuerdo con su respuesta. De esta forma la red tiene la capacidad de
aprender y adaptarse a la transformacin entrada-salida.
Adaptabilidad: Una red neuronal es capaz de adaptar sus parmetros incluso en tiempo real.
Tolerancia a fallas: Al existir una conectividad masiva la falla de un procesador no altera seriamente la
operacin.
Uniformidad en el anlisis y diseo, lo que permite garantizar caractersticas precisas.
Analoga con las redes biolgicas, lo que permite utilizar conocimientos de ambas reas, de forma que
podemos conocer mejor el funcionamiento de las redes neuronales biolgicas y mejorar los sistemas de
redes neuronales artificiales.
Una red neuronal artificial est formada por una capa de entrada, un determinado nmero de capas ocultas
(que tambin puede ser cero) y una capa de salida. Entre cada una de las capas que forman la red neuronal
existen matrices de pesos sinpticos, que son los que le otorgan a la red neuronal su potencial de clculo y
capacidad de aprendizaje, ya que son estos los que varan a medida que el sistema aprende.

FIGURA 2. MODELO DE UNA RED NEURONAL ARTIFICIAL (RNA)

Como se observa en la Figura 2 cada una de las capas est formada por nodos interconectados entre s de forma
masiva (cada una de las neuronas de una capa est conectada con todas las dems neuronas de las capas
adyacentes), cada uno de estos nodos son neuronas artificiales y son el elemento bsico de una red neuronal.

Figura 3. Modelo de una neurona artificial

En el modelo de neurona artificial mostrado en la Figura 3 se pueden identificar tres elementos:

Enlaces de conexin: Parametrizados por los pesos sinpticos . El primer subndice se refiere a la
neurona receptora y el segundo a la neurona emisora. Si es positivo se trata de una conexin
excitadora, si es negativo entonces es inhibidora. En una neurona biolgica la dendrita y el axn funcionan
como la neurona receptora y emisora respectivamente en una red neuronal artificial.

 Sumador (): Suma cada uno de los componentes de las seales de entrada multiplicadas por . El
sumador realiza la misma funcin de procesamiento de datos que el ncleo de una neurona biolgica.
Funcin de activacin (): Se trata de una funcin de trasformacin generalmente no lineal. Este
elemento es equivalente a la sinapsis en la neurona biolgica, la cual otorgaba a la red neuronal biolgica
la capacidad de clculo no lineal (si la salida es no-lineal).
En trminos matemticos podemos describir la relacin entrada-salida de la neurona de la figura 3 por la
siguiente ecuacin:

= ( )
=1

Formacin de la RED

Ahora que se sabe que las redes multicapa son aproximadores universales, el siguiente paso es determinar un
procedimiento para seleccionar los parmetros de red que mejor se aproximan a la funcin dada. Este
procedimiento se le conoce como formacin de la red.

ALGORITMO DE FORMACION BACKPROPAGATION

Es un mtodo de formacin de redes neuronales artificiales, utilizado en conjuncin con un mtodo de
optimizacin tal como el gradiente de descenso. Este algoritmo calcula el gradiente de una funcin de perdida con
respecto a todas las masas de la red, de modo que el gradiente se alimenta del mtodo de optimizacin que a su
vez lo usa para actualizar las masas, en un intento de minimizar la funcin de prdida.
La importancia de este proceso consiste en que, a medida que se forma la red, las neuronas de las capas
intermedias se organizan a s mismas de tal modo que las distintas neuronas aprenden a reconocer distintas
caractersticas del espacio total de entrada. Despus de la formacin, cuando se les presente un patrn arbitrario
de entrada que contenga ruido o que est incompleto, las neuronas de la capa oculta de la red respondern con
una salida activa si la nueva entrada contiene un patrn que se asemeje a aquella caracterstica que las neuronas
individuales hayan aprendido a reconocer durante su formacin.

NARMA-L2 CONTROL

El neurocontrolador tambin conocido como control retroalimentado de linealizacin, la idea central de este tipo
de control es transformar sistemas dinmicos no lineales en sistemas dinmicos lineales cancelando las no
linealidades.

Diagrama de Bloques del Controlador NARMA-L2

Controlador NARMA-L2

Un ejemplo de aplicacin de este tipo de control neuronal es el siguiente:

Imn de levitacin, en este ejemplo el objetivo es controlar la posicin de un imn suspendido arriba de un
electroimn, donde su movimiento del imn est restringido, es decir que solo puede moverse en direccin
vertical. Como se muestra en la siguiente figura.

La ecuacin de movimiento para el sistema es:

2 ()
2 () ()
=

2
()

Donde:
() =
() =
=
=
=
=

DIAGRAMA EN SIMULINK

Como se observa en el diagrama de simulink vemos que el controlador es un NARMA-L2 y de acuerdo a la planta
que se quiere controlar mediante los parmetros del controlador se puede lograr el control total del sistema.

1
3

2
4

5
6
7

8
9

10

1) Tamao de Capas Ocultas: Define cuantas neuronas pueden estar en las capas ocultas de planta modelo
de la red neuronal.
2) No. De entradas a la red neuronal: Define cuantas entradas en el controlador son utilizadas para
alimentar al controlador de red neuronal.
3) Intervalo de muestreo: Define el intervalo de muestre para recolectar los datos para ser utilizados en el
proceso de formacin.
4) No. De salidas de la red neuronal: Define cuantas salidas son utilizadas para alimentar al controlador de
red neuronal.
5) Tamao de las muestras: Define la cantidad de muestras a utilizar para el proceso de formacin.
6) Modelo de Planta en Simulink: Un archivo simulink, usado para generar una respuesta de planta para la
formacin del modelo de planta de la red neuronal.
7) Importar datos de formacin: Introduce valores de entrada y salida desde la planta a ser utilizada para la
formacin.
8) Generacin de datos de formacin: Define el rango de las entradas, los lmites en la seal de salida y el
nmero de muestras.
9) Funcin de formacin: Es el algoritmo de formacin.
10) Epochs de Formacin: Define el nmero de iteraciones que son aplicadas para la formacin del modelo
de la planta de la red neuronal.

Aplicacin en Aeronutica

Una de las barreras para la aplicacin de las tcnicas de monitorizacin de la integridad estructural (SHM) basadas
en ondas elsticas guiadas (GLW) en aeronaves es la influencia perniciosa de las condiciones ambientales y de
operacin (EOC). En esta tesis se ha estudiado dicha influencia y la compensacin de la misma, particularizando
en variaciones del estado de carga y temperatura. La compensacin de dichos efectos se fundamenta en Redes
Neuronales Artificiales (ANN) empleando datos experimentales procesados con la Transformada Chirplet.
Los cambios en la geometra y en las propiedades del material respecto al estado inicial de la estructura (daos)
provocan cambios en la forma de la onda GLW (lo que denominamos caracterstica sensible al dao o DSF).
Mediante tcnicas de tratamiento de seal se puede buscar una relacin entre dichas variaciones y los daos, esto
se conoce como monitorizacin de la integridad estructural (SHM). Sin embargo, las variaciones en las EOC
producen tambin cambios en los datos adquiridos relativos a las GLW (DSF) que provocan errores en los
algoritmos de diagnstico de daos (SHM). Esto sucede porque las firmas de dao y de las EOC en la DSF son del
mismo orden. Por lo tanto, es necesario cuantificar y compensar el efecto de las EOC sobre la GLW.
Si bien existen diversas metodologas para compensar los efectos de la EOC como por ejemplo Optimal Baseline
Selection (OBS) o Baseline Signal Stretching (BSS), estas, se emplean exclusivamente en la compensacin de
los efectos trmicos. El mtodo propuesto en la tesis mezcla anlisis de datos experimentales, como en el mtodo
OBS, y modelos basados en Redes Neuronales Artificiales (ANN) que reemplazan el modelo fsico requerido por el
mtodo BSS.
El anlisis de datos experimentales consiste en aplicar la Transformada Chirplet (CT) para extraer la firma de las
EOC sobre las DSF. Con esta informacin, obtenida bajo diversas EOC, se entrena un ANN. A continuacin la ANN
actuar como un interpolador de referencias de la estructura sin dao, generando informacin de referencia para
cualquier EOC. La comparacin de las mediciones reales de las DSF con los valores simulados por la ANN, dar
como resultado la firma dao en la DSF, lo que permite el diagnstico de dao.
Este esquema se ha aplicado y verificado, en diversas EOC, para una estructura unidimensional con un nico
camino de dao, y para una estructura representativa de un fuselaje de una aeronave, con una curvatura y
mltiples elementos rigidizadores, sometida a un estado de cargas complejo, con mltiples cambios de daos. Los
efectos de las EOC se han estudiado en detalle en la estructura unidimensional y se han generalizado para el
fuselaje, demostrando la independencia del mtodo respecto a la configuracin de la estructura y el tipo de
sensores utilizados para la adquisicin de datos GLW. Por otra parte, esta metodologa se puede utilizar para la
compensacin simultnea de una variedad medible de EOC, que afecten a la adquisicin de datos de la onda
elstica guiada.
El principal resultado entre otros, de la tesis, es la metodologa CT-ANN para la compensacin de EOC en tcnicas
SHM basadas en ondas elsticas guiadas para el diagnstico de dao.

Referencias:

[1] http://oa.upm.es/39487/1/JAIME_GARCIA_ALONSO.pdf
[2] https://ddd.uab.cat/pub/trerecpro/2013/hdl_2072_207064/TorrubiaCaravacaSergioR-ETISa2009-10.pdf
[3] Martin T. Hagan, Howard B. Demuth & Orlando de Jesus; AN INTRODUCTION TO THE USEOF NEURAL
NETWORKS IN CONTROL SYSTEMS; School of Electrical & Computer Engineering, Oklahoma State University,
Stillwater, Oklahoma, 74075, USA; Electrical & Computer Engineering Department, University of Colorado,
Boulder, Colorado, 80309, USA
[4] https://es.mathworks.com/help/nnet/neural-network-control-systems.html
[5] https://es.mathworks.com/help/nnet/ug/design-narma-l2-neural-controller-in-simulink.html