Escolar Documentos
Profissional Documentos
Cultura Documentos
SISTEMAS DE CONTROL
CONTROL POR REDES NEURONALES
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.
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.
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.
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.
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.
Controlador NARMA-L2
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