Escolar Documentos
Profissional Documentos
Cultura Documentos
TESIS
PROMOCIN 2005-II
LIMA - PER
2011
Dedicado a Mis padres:
Jess y Agripina,
a mis hermanos:
Ronald y Liliana
y a todas las personas que han contribuido
en mi formacin personal y profesional
CONTENIDO
Prlogo ............................................................................................................................................ 1
CAPITULO I
Introduccin ..................................................................................................................................... 3
1.1. Antecedentes .......................................................................................................................... 3
1.2. Justificacin ............................................................................................................................ 4
1.3. Planteamiento del Problema ................................................................................................ 6
1.4. Objetivo ................................................................................................................................. 7
1.5. Alcances ................................................................................................................................. 7
1.6. Limitaciones ........................................................................................................................... 9
CAPITULO II
Fundamentos de la Inteligencia Artificial .................................................................................... 11
2.1. Introduccin ......................................................................................................................... 11
2.2. Fuzzy Logic .......................................................................................................................... 12
2.2.1. Conjuntos Fuzzy .................................................................................................... 14
2.2.2. Sistemas de Inferencia Fuzzy ............................................................................... 16
2.2.3. Tipos de Sistemas Fuzzy ....................................................................................... 19
2.3. Redes Neuronales ................................................................................................................ 21
2.3.1 Estructura de la Neurona ...................................................................................... 23
2.3.2 Arquitectura de las Redes Neuronales ................................................................ 24
2.3.3 Algoritmo Backpropagation ..................................................................................... 34
2.3.4 Parmetros de Aprendizaje ................................................................................... 41
2.4. Sistemas Hbridos ................................................................................................................ 44
2.4.1 Sistema Hibrido ....................................................................................................... 44
2.4.2 Sistema Neuro-fuzzy ............................................................................................. 47
2.4.3 Modelos de Sistema Neuro-fuzzy ........................................................................ 52
CAPITULO III
Modelamiento del Sistema Servo-Hidrulico ............................................................................. 60
IV
CAPITULO IV
Control por Aprendizaje Neuro-fuzzy ......................................................................................... 72
4.1 Introduccin ........................................................................................................................ 72
4.2 Esquema del Control por Aprendizaje Neuro-fuzzy ..................................................... 72
4.3 Modelamiento del Control por Aprendizaje Neuro-fuzzy ........................................... 74
4.4 Algoritmo del Control por Aprendizaje Neuro-fuzzy ................................................... 78
CAPITULO V
Resultado de Simulaciones y Hardware ....................................................................................... 84
5.1 Introduccin ........................................................................................................................ 84
5.2 Resultados de la Simulacin ............................................................................................... 84
5.2.1 Cargamento constante ........................................................................................... 84
5.2.2 Efecto del factor de aprendizaje ................................................................... 86
5.2.3 Cargamento variable .............................................................................................. 94
5.3 Sistema Experimental ........................................................................................................ 96
5.3.1 Mquina Servo-hidrulica ..................................................................................... 96
5.3.2 Modulo de control Compact-Rio ........................................................................ 98
5.3.3 Software desarrollado en Labview .................................................................... 102
de modelos analticos que describan su comportamiento. Por lo tanto, para validar estos
relacionados con la fatiga, este tipo de ensayos requiere un elevado nmero de ciclos por
propsito de disminuir el tiempo de los ensayos, por tal motivo es de vital importancia
La presente Tesis muestra un modelo de control diseado para este tipo de sistemas
continuacin.
inteligencia artificial, detallando los conceptos bsicos de los sistemas fuzzy logic, redes
1.1. Antecedentes.
Los avances tecnolgicos y las innovaciones industriales hacen uso de los sistemas
industria aeroespacial, martima, etc. Estos sistemas tienen muchas ventajas como
Infelizmente estos sistemas tienen caractersticas no lineales [1], las cuales surgen
para que el sistema pueda alcanzar frecuencias tpicas de trabajo, que para el caso
de los metales es de hasta cien veces por segundo [6]. Adems el controlador tiene
que ser capaz de superar las variaciones no lineales de la dinmica del sistema.
lineal.
1.2. Justificacin
aplicaciones industriales.
Los ensayos de fatiga son un tipo de ensayo de gran importancia en las industrias
determinar los materiales adecuados que puedan soportar los esfuerzos repetitivos
requeridos para la tarea del mecanismo. Este tipo de ensayo consiste en aplicar a
dependiendo del tipo de ensayo a ser realizados; por ejemplo, los ensayos de
fisura por fatiga, el cual proporciona datos cuantitativos de las caractersticas del
prueba, es por este motivo que los equipos para ensayos de materiales trabajan a
altas frecuencias, procurando una reduccin del tiempo y costos de los ensayos,
Las tcnicas de inteligencia artificial tales como: redes neuronales, lgica fuzzy y
la servo-vlvula.
1.4. Objetivo
1.5. Alcances
aprendizaje neuro-fuzzy.
desempeo del controlador no-lineal fue comparado con un controlador PD, del
actuador electro-hidrulico.
bang. En este caso, los puntos de reversin de la vlvula siempre deben estar
entre el valle y pico de una fuerza deseada (o entre pico y valle), y este parmetro
depende de la amplitud y del menor valor de la carga solicitada. Para que la servo-
encuentran en el mercado son de las marcas INSTRON y MTS. Las que son
capaces de trabajar con clulas de carga desde 5 kN a 500 kN, a una frecuencia
mxima terica de 500Hz (para amplitudes muy pequeas). Ellas pueden ejecutar
En la presente Tesis solo sern presentados las simulaciones del control por
1.6. Limitaciones
simulaciones del control por aprendizaje neuro-fuzzy fue el desarrollado por Alva
[8], la cual representa una aproximacin del comportamiento real de una mquina
2.1. Introduccin
hbridos neuro-fuzzy. En las ltimas dcadas, como una alternativa a los mtodos
basado en lgica fuzzy (FL) y redes neuronales artificiales (ANN). Estas dos
tcnicas son aplicadas con xito en diversas reas en las cuales el control
experiencia del especialista. Entre tanto, los sistemas basados en ANN son
intentado integrar estas dos tcnicas para generar un modelo hbrido que pueda
La lgica fuzzy es una extensin de la lgica booleana, introducida por el Dr. Lofti
El control fuzzy abarca un gran nmero de entradas, muchas de las cuales son
computacional de ejecucin.
La lgica fuzzy es una variacin de la lgica booleana, que solo presenta los
bajo), cantidad (mucho, razonable, poco), edad (joven, viejo), etc. En el sentido
1 Si y solamente si x A
f A ( x) (2.1)
0 Si y solamente si x A
A {A ( x) / x} x U (2.2)
Donde:
x : La variable de inters
U : Universo de discurso
Por otro lado, la lgica fuzzy puede percibir las variaciones ocurridas en los
y 1.
los mdulos que componen tal sistema, proporcionando as la idea del flujo
Generada por
Para activar Reglas especialistas Proporciona la
las reglas salida precisa
Entrada Salida
Fuzzificador Inferencia Defuzzificador
Conjunto nebuloso
Conjunto nebuloso
de entrada Mapea los de salida
Conjuntos Fuzzy
Fuzzificacin
Las regla fuzzy son implicaciones lgicas que relacionan los conjuntos fuzzy
mostrado abajo.
Si x es A y B , entonces z es C .
0 1 0 1 0 25 % 0 25 %
SI servicio malo O Comida es mala ENTONCES Pago es Pobre
0 1 0 1 0 25 % 0 25 %
SI servicio es Bueno ENTONCES Pago es Media
0 1 0 1 0 25 % 0 25 %
SI servicio es excelente O Comida es buena ENTONCES Pago es Generoso
Servicio = 3 Comida = 8
Entrada 1 Entrada 2 Salida Fuzzy
0 25 %
Figura 2.3. Regla y inferencia fuzzy [8].
salida fuzzy.
Defuzzificacin
fuzzy de salida inferida por las reglas, con el objetivo de obtener un valor
rea (C-o-A), el cual retorna el centro del rea bajo la curva, como se
muestra en la figura 2.4. Otros mtodos utilizados son: centro del mximo
Defuzzificacin
0 25
Salario = 15%
Resultado de la defuzzificacin
Figura 2.4. Proceso de defuzzificacin.
Modelo de Mamdani
las salidas inferida por cada una de las reglas, la cual en la siguiente etapa
ya mencionados.
La caracterstica bsica del modelo tipo Mamdani es el hecho que tanto los
forma:
consecuentes, una por cada regla. Para obtener el conjunto final de salida de
Modelo de Takagi-Sugeno
por cada una de las reglas. En ese caso, los coeficientes de ponderacin son
i a.x b. y c .
influencia es:
derivada de error.
w .
j 1
i i
n!
out n
r ! n r !
w
j 1
i
(2.4)
Las redes neuronales (NN) estn constituidas por unidades bsicas independientes
amplificadores.
organizacin de los neuronas del cerebro, las cuales tiene la capacidad de aprender
El conocimiento es obtenido por la red neuronal a partir del ambiente, a travs del
proceso de aprendizaje.
disea la forma bsica que constituye una NN. Los elementos bsicos
Dentritos
Terminales
Sinpticos
Cuerpo Axonio
Celular
[14].
24
Bias
x1 k1 k
x2 k2
Sk
Net k
F(Net k)
Funcin Funcin
Sumatoria Activacin
xn kn
Entradas Pesos Sinpticos Salida
Figura 2.6. Modelo bsico de una neurona artificial perceptron.
Donde x son las entradas, kn son los pesos o parmetros de la red, los
positiva o negativamente.
La arquitectura de las redes neurales artificiales puede ser formada por una
Perceptron.
x1 11 S 1
N1
21 12
k1
x2 22 S 2
N2
1n
k2 2n
xn kn Sk
Nk
k
Figura 2.7. Red perceptron con k neuronas de salida.
k
Net j ji .xi j (2.5)
i 1
1 Si Net j 0
Sj (2.6)
0 Si Net j 0
conjunto de pesos que determine una recta que separa las diferentes clases,
ej t j s j (2.7)
ji .xi .e j (2.8)
Entre tanto, los pesos son actualizados despus de cada entrada con la regla
dos clases, siempre que las clases fueran linealmente separables [17].
imgenes, y control. Una vez que las redes perceptron solo representan
salida (ouput layer). Con exepcin de la capa de entrada, todas las otras capas
X1 M1 N
S1
O1
X2 M2 N
S2
O2
Sk
Ok
Xn Mi Ni
red. Estas neuronas escondidas permiten que la red pueda aprender tareas
Una red MLP es una red feedforward, donde el flujo de datos es siempre en
una nica direccin. As, la salidas de las neuronas de una capa cualquier se
caso en que una neurona de una capa cualquier es conectada a todas las
neuronas de la capa siguiente. Adems de eso, una red MLP puede ser
escondida.
activacin.
30
Peso de Conexin
"n" neuronas
X1 M1 N1 S1
X2 M2 N2 S2
Xn Mi N Sk
Red MLP
Figura 2.9. Configuracin de la red MLP.
salida. Esto es, una ANN con un mayor nmero de capas escondidas tiene
generalizacin.
en 1986.
del conjunto de entrenamiento. As, todos los padrones son evaluados con
ANN
Padrones de
Entrada (x) Pesos da red Salida (s)
entrenamiento
Datos de
error (e)
Clculo del
Salida error
deseada (t)
Figura 2.10. Entrenamiento Supervisado.
34
Propagacin (Forward)
actual de la red.
Durante esta etapa, los pesos sinpticos da red son fijos. Observe en la
figura 2.11 (b) que la seal fluye a travs de la red de izquierda hacia
X1 Pesos
Neuronas
N1 Salida S1
Entradas
X2 O1
Salidas
N2
S2
X3 O2
N3
X4 Neuronas Intermedios
Seales
N1 Funcionales
S 1
O1
N2
(b)
Figura 2.11. (a) Fase de propagacin (b) Seales Funcionales.
Retro-Propagacin (Backward)
entrada son ajustados todos los pesos sinpticos en concordancia con una
propagation.
Los pesos de la ANN son ajustados para hacer que la respuesta actual de la
X1 Pesos
N1
E1
X2 O1
Salidas
Entradas
N2
E2
X3 O2
N3 E=T-S
Ajuste de
X4 los pesos
N1 Seal de
error
E1
O1
N2
(b)
Figura 2.12. (a) Etapa de Retro-propagacin (b) Seal de error.
Algoritmo de Aprendizaje
bsicas da ANN:
dominio.
k
Regla de propagacin Net j ji .xi j .
i 1
E
ij . (2.10)
ij
total, el cual definido por la ecuacin (2.11), como la suma del error
1 k
E . (tip sip )2 (2.11)
2 p i 1
salida, tip y sip son el valor deseado y la salida generada por la red para la
minimizacin del error total, de modo que el error pasa a ser definido por
1 k
E . (ti si ) 2 (2.12)
2 i 1
Calculo de ij
como
E E net j
ij . . . (2.13)
ij net j ij
net j
Si (2.14)
ij
E
ej (2.15)
net j
ij .si .e j (2.16)
peso.
que:
E E s j
ej . (2.18)
net j s j net j
s j
(net j ) (2.19)
net j
E
Entre tanto, el valor del trmino depende de la capa a la cual
s j
pertenece la neurona j .
En la Capa de Salida
E
termino es calculado por
s j
E
(t j s j ) (2.20)
s j
e j (t j s j ). (net j ) (2.21)
40
Neurona j
si w ij s j Salida j
(net j)
Salida
t j deseada j
Capa de
salida
Figura 2.13. Clculo del error e j en la capa de salida.
En la Capa Escondida
la figura 2.14.
N1
Neurona j w 1j
e1
si w ij w 2j
net j N2
e2
Propagacin de la
wkj seal de error
Capa ek
escondida Nk
E 1
termino es calculado por E .(tk sk ) 2 .
s j 2
E s
(tk sk ). k (2.22)
s j k s j
E s netk
(tk sk ). k . (tk sk ). (netk ). jk
s j k netk s j k
E
(ek . jk ) (2.23)
s j k
Momentum.
Factor de Aprendizaje ( )
pequeos cambios de los pesos a cada iteracin. Por otro lado, se requiere
en ese caso no consigue calcular un cambio en los pesos que haga a la red
42
salir del mnimo local. En la figura 2.15 se presenta el efecto producido con
una pequea.
Mnimo Mnimo
global local
Error
mnimo
Pesos ij
Figura 2.15. Factor de aprendizaje pequeo, con problema de mnimo local.
Entre tanto, si el factor de aprendizaje fuera muy grande (cerca de 1), ocurre
que podra llevar a oscilaciones en torno del mnimo global. As, que el
[19].
Grandes mudanzas
llevan a oscilaciones
Mnimo
Mnimo local
Error global
mnimo
ij Pesos
Figura 2.16. Factor de aprendizaje grande, con problema de oscilaciones.
43
actualizados los pesos pueda encontrar una mejor solucin. De esta forma,
converge.
Termino de Momentum ( )
determinada por
Superficie Superficie
de error de error
Oscilaciones y
Suave y lento rpido
(a) - Pequeo (b) - Grande
Aprendizaje sin Termino Momentum
Superficie Superficie
de error de error
Aprendizaje Aprendizaje
rpido rpido
(a) - Pequeo (b) - Grande
Aprendizaje con Termino Momentum
Figura 2.17. Aprendizaje sin y con trmino de Momentum.
bsica de construccin, una tcnica puede ser aplicada para mejorar las
en la figura 2.18.
45
Tcnica 1 Tcnica 2
Tcnica 1
Algoritmos
Genticos
Tcnica 2
Figura 2.19. Sistema Hibrido Auxiliar.
46
Tcnica 1
Sistemas
Entrada Fuzzy Salida
+
Redes
Neuronales
Tcnica 2
vez ms eficientes.
47
tornando de gran inters, pues traen los beneficios tanto de ANN cuanto
(FIS), en una estructura paralela distribuida de tal forma que los algoritmos
sistemas hbridos para ajustar los parmetros del FIS. La figura 2.21
Alto), los cuales indican los pesos de la red para cada entrada. la tercera capa
es definida por las reglas del FIS, la capa 4 es determinada por los
Caracterstica
SNF
Caractersticas Caractersticas
ANN FIS
Identificacin de Particionamiento
la Estructura del Espacio E/S
Identificacin de Mtodo de
los parmetros Defuzzificacin
Figura 2.22. Caractersticas del sistema neuro-fuzzy.
- Mamdani
Modelo Fuzzy - Takagi - Sugeno
- Tsukamoto
- etc.
- Triangular
Formato de las - Trapezoidal
funciones de - Sigmoidal
pertenencia (FP) - Gaussiano
Caractersticas - Siglenton, etc.
FIS del SNF
- Fuzzy Grid
Particionamiento - BSP
del Espacio E/S - Quad Tree
- Adaptive Fuzzy Grid, etc.
- Mdia Ponderada
Mtodo - Centro de Soma
Defuzzificacion - Centro de rea
- Outros.
Figura 2.23. Caractersticas fuzzy del sistema neuro-fuzzy.
50
reglas.
Despus de hacer las evaluaciones del conjunto de reglas fuzzy, el valor real
escogido.
- Aprendizaje Online
Tipo
Aprendizaje - Aprendizaje Online
- Con apoyo del especialista
- Mtodo auto-Organizado
- Identificacin
Previa - Mtodo de distribucin
Caractersticas Identificacin
de la uniforme dos FPs
ANN del SNF
estructura
- Identificacin - Incremental
Automtica
- Decremental
- Antecedentes
Identificacin - Antecedente e Consecuente
de parmetros
- Antecedente, Consecuente, y
Pesos das reglas
realizada para cada padrn presentado. Por otro lado, en el aprendizaje Off-
son basadas en el mtodo utilizado para el ajuste de los pesos fuzzy que
(Adaptative Network Based Fuzzy Inference System). Entre tanto, algunos SNF
SNF cualquiera.
A1
x1 S1 S1 '
T N C1
B1 h1
A2
x2 h2 z
T S2
N S2 '
C2
B2
h3
A3
x3 S3 '
T N C3
S3
B3
En la figura de encima, los nodos que componen una misma capa tienen
Capa 1: La salida de esta capa son los grados de pertenencia de las entradas,
basado en la premisa de cada regla. En este caso, cada entrada apenas tiene
nmero mayor.
S1 A1 ( x1 )* A2 ( x2 ) * A3 ( x3 )
S2 B1 ( x1 ) * B2 ( x2 )* A3 ( x3 ) (2.26)
S3 B1 ( x1 )* B2 ( x2 )* B3 ( x3 )
S1 S1 / ( S1 S2 S3 )
S2 S2 / ( S1 S2 S3 ) (2.27)
S3 S3 / ( S1 S2 S3 )
h1 S1.C1
h2 S2 .C2 (2.28)
h3 S3.C3
y 4, dado por:
Z
S . f S . f
i i
S (2.29)
i i
i
Z h1 h2 h3
el criterio de parada:
55
permanecen fijos.
fijos.
Este modelo fue propuesto por Nauck y Kruse, y es aplicado con xito
1 R1
x1
1
R2 C1
1
R3
2
x2 R4 C2
2
2 R5
conforme se sigue:
Capa de Entrada: Esta capa solo tiene la funciono de direccionar los valores
Capa de Reglas: En esta capa, se realizan la operacin t-norm entre los grados
activacin.
57
son unitarios.
reglas.
Este modelo fue desarrollado por Vuorimaa, posee una estructura muy
x1 x2
Regla 1
1
x1 mn norm
y
x1 x2
Regla 2
2
x2 mn norm
Entradas C1 C2 C3 C4 C5 Salida
Figura 2.27. Arquitectura FSOM.
Si x1 Ui ,1 y x2 Ui ,2 Entonces y Si
conjunto fuzzy U i , j .
las reglas es
i min U ( x1 ) U ( x2 )
i ,1 i ,2
(2.30)
y
.S .S
i i
(2.31)
i i
i
Kohonen.
SERVO-HIDRAULICO
3.1. Introduccin
ensayos de fatiga.
61
mquina para ensayos de fatiga desarrollada por Alva, este modelo es utilizado
0 Ag la M 0 IN M 0 IN 1
2 2
Ta (3.1)
4 G xg G xg 2
63
Ta I (3.2)
la
xg xf (3.3)
lf
Como el flapper solo gira sobre pequeos ngulos ( 0.01 rad), la ecuacin
flapper:
Ja
x f f x f K a x f Ta T fl T fb
(3.4)
lf
E
p n1
Vn1
Q01 Qn1 Ass, pi xv, pi (3.5)
E
p n 2
Vn 2
Q02 Qn2 Ass, pi xv, pi (3.6)
E
p n3 Qn1 Qn2 Qn3 (3.7)
Vn3
Donde, Vni ,i 1, 2,3 son los volmenes de las cmaras de la vlvula, Ass , pi y
xv, pi son el rea lateral del spool y la velocidad del spool respectivamente.
2
Q01 A0 dn ps pn1 (3.8)
2
Q02 A0 dn ps pn 2 (3.9)
Qn 2 dn dn ( x f 0 x f ) pn 2 pn3 (3.11)
65
bocal. El flujo del bocal Qn3 a travs del orificio de salida es calculado por:
2
Qn3 An 3 dn pn3 pT (3.12)
T fb
xv , pi Ff ( xv , pi ) Ass , pi ( pn1 pn 2 )
ms , pi Fax (3.13)
l f l fb
longitud del resorte de realimentacin, y Fax es la fuerza del flujo axial sobre
el carretel.
E
PA, pi .(QA, pi Ass ,m .xvm ) (3.15)
VA, pi
66
E
PB, pi .(QB, pi Ass ,m .xvm ) (3.16)
VB, pi
Donde, msm , Ass,m , xvm es la masa, rea y velocidad del carretel principal
flujo axial sobre el carretel, y PA, pi , QA, pi , PB, pi , QB , pi son las presiones y
actuador son:
siempre que algunas condiciones estrictas estn presentes (Viersma, 1980), como:
As, Viersma [6] propone un modelo muy simple para las bombas controladas:
Ps ( s ) K pu
G pu ( s ) (3.21)
Ps ,ref ( s ) 1 Tpu s
a la velocidad del pistn, donde los lmites de operacin pueden ser alcanzados,
Las ecuaciones de la dinmica del pistn fue obtenida aplicando la segunda ley de
x p Ff ( x p ) Ap .( PA .PB ) Fext
mt .
(3.22)
68
Donde, mt es la masa total, constituida por la masa del pistn ( mp ), y por las
masas de las cmaras del cilindro y sus tabulaciones, dadas por mA, fl y mB, fl
respectivamente.
mt m p mA, fl mB , fl
(3.23)
mB , fl .[VPL, B ( x p 0 x p ). . Ap ]
(3.25)
La masa del fluido puede ser despreciado en relacin a la masa del pistn.
Aplicando la ecuacin de continuidad para cada una de las cmaras del cilindro, se
obtiene.
V A
Q A Q Li V A .PA (3.26)
E .( PA )
V A
QB Q Li Q Le V .PA (3.27)
E .( PA )
del anillo y lneas de conexin, QLi y QLe son los flujos de escape interno y
externo, respectivamente.
c
l
10 f max
69
son:
1/2
E E 2rh 1
cs cw cs 1
Eh sh 2
E'
c
la ecuacin
70
Ap
X p (S ) K v .K Q
Gx ( S ) 2 mp 1 (3.28)
2
I (S ) 1 .S 2 2.Dv .S 1 S 2.Dh .h .S h S
v
2
v
determinado por
Ap
h .K d (3.29)
m p .Th mp
1 1
T Th
Dh m (3.30)
2. h
mp
Tm
(3.31)
Ap
Kd
Ch
hidrulica.
ecuacin:
mp 1
PL . (3.32)
A
p Ap S
71
A . S
p
FL ( S ) K v .KQ
m p
GF ( S ) 2 (3.33)
I ( S ) 1 .S 2 2.D . .S 1 S 2.Dh .h .S h2
v2 v v
A . S
p
F (S ) Kv .KQ
mp 1 (3.34)
GF (S ) L 2 2
I (S ) .S 2 2.D . .S 1 S 2.Dh .h .S h mp .S b.S k
1 2
v2 v v
CAPITULO IV
NEURO-FUZZY
4.1 Introduccin
presenta una comparacin con otros modelos de controle por aprendizaje y todos
MATLAB.
UIJ(k)
I Control Sistema
Corriente Bang-Bang Servo-Hidrulico
Las entradas del sistema neuro-fuzzy son gama (doble de la amplitud) y mnimo de
fuzzy es constituido por dos capas escondidas: la capa Fuzzy y la capa de reglas.
Los pesos del sistema neuro-fuzzy j entre la capa de reglas y la capa de salida
neuro-fuzzy propuesto.
1 R1
gama 1
1
R2
1 2
U IJ
R3 3 f1
2 4
minimo R4 5
2
2 R5
neuronales (ANN). Estos sistemas combinan las ventajas de las ANN tales como
Modelo Fuzzy
SNF fue el modelo Takagi-Sugeno, con conjuntos Fuzzy de salida del tipo
singlenton para cada una de las reglas. Estas reglas fuzzy son de la siguiente
forma:
triangular para cada una de las variables de entrada, por la simplicidad para
2. xi ci
( xi ) 1 (4.2)
bi
( xi )
ci xi
bi
grid.
minimo
1 R1
1 R5
(mi) gama
(g i) 2 2 2
Mtodo de Defuzzificacin
Tipo de Aprendizaje
los puntos de reversin, de manera que los pesos del SNF tienen que ser
Identificacin de la Estructura
cargamento con valor mnimo igual a mini , y gama igual a gama j , se tiene
100 , 100 kN. As, los valores de la variable de entrada, mnimo y gama
esta en el rango de 100 , 100 y 200 , 200 respectivamente. Los
la ecuacin 4.4.
min (4.5)
minn
100
gama (4.6)
gaman
200
79
con que las entradas satisfacen a los conjuntos fuzzy asociado a cada
entrada.
1 2
U IJ
R3 3 f
2 4 UIJf ( Net )
minimo R4
2 5
2 R5
Pk (i , j ) i . j (4.7)
k .
U IJ f ( Net ) (4.8)
P ( , ).
k i j k
(4.9)
Net k 1
M
P ( , )
k 1
k i j
80
P ( , ).
k i j k
(4.10)
U IJ k 1
M
P ( , )
k 1
k i j
a cada instante con el valor actual calculado. Todos los valores de k son
xd x (4.12)
error
xd x
valores de x y xd estn cerca del valle y x habra sido un pico, por lo tanto
ley de aprendizaje.
k (t 1) k (t ) k (t ) (4.13)
Pk (i , j )
k (t ) .error. (4.14)
max[ Pk (i , j )]
presenta los pasos seguidos para realizar las simulaciones del controlador
Por otro lado, la ley de aprendizaje actualiza los pesos k del SNF, el cual
aprendizaje.
Inicio
Lectura de la base de
datos del cargamento *
Activar la
servo-vlvula
Calcular y Normalizar
gama, mnimo
Sistema va No
para um pico?
Si
Sistema va
para un Valle?
Leer cargamentos
Sistema alcanzo el
n e n+1
punto de
Reversin del No
pico?
n:=n+1
Si Sistema alcanzo
al punto de
reversin del No
valle?
Reverter sentido
servo-vlvula
Si
Revertir sentido d e la
servo-vlvula
Leer pico atingido
Si
Fin
Y HARDWARE
5.1 Introduccin
En este captulo sern presentados los resultados de la simulacin del control por
5
Fuerza (kN)
-5
-10
20
Fuerza (kN)
-20
-40
-60
-80
0 0.5 1 1.5 2 2.5
Tiempo (s)
Figura 5.2. Respuesta del control por aprendizaje neuro-fuzzy para un cargamento
de amplitud constante de 75 kN.
86
modelo de control.
Error vs N de Ciclos
80
70
Error aprendizaje de Alva
60 Error aprendizaje Neurofuzzy
Error (%)
50
40
30
20
10
0 2 4 6 8 10 12 14
N de ciclos
Figura 5.3. Desempeo de los modelos de control por aprendizaje para
cargamento constante de 20 kN.
alcanzar los picos o valles para los dos modelos de control por aprendizaje
aun as, el valor de n 0,1 hace que tenga un aprendizaje lento llegando a
Error vs N ciclos
80
Error Pico - Aprendizaje de Alva
70 Error Valle - Aprendizaje de Alva
Error Pico - Aprendizaje Neuro-Fuzzy
60 Error Valle - Aprendizaje Neuro-Fuzzy
50
Error (%)
40
30
Fuerza : [-25 , 25] kN
Tasa de Aprendizaje : 0,1
20
10
0
0 5 10 15 20 25 30 35 40 45
N Ciclos
control es mayor.
n 0,95 . Se puede observar que el error del control por aprendizaje neuro-
88
fuzzy (lnea verde) converge para cero despus de 8 ciclos y el control por
Error vs N ciclos
80
Error Pico - Aprendizaje de Alva
70
Error Valle - Aprendizaje de Alva
Error Pico - Aprendizaje Neuro-Fuzzy
60
Error Valle - Aprendizaje Neuro-Fuzzy
50
Error (%)
40
30
Fuerza : [-25 , 25] kN
20
Tasa de Aprendizaje : 0,95
10
-10
0 5 10 15 20 25 30 35 40 45
N Ciclos
aprendizaje sea mayor. Por otro lado, una tasa de aprendizaje muy alto
Error vs N ciclos
80
Error Pico - Aprendizaje de Alva
70
Error Valle - Aprendizaje de Alva
60 Error Pico - Aprendizaje Neuro-Fuzzy
Error Valle - Aprendizaje Neuro-Fuzzy
50
40
Error (%)
30
Fuerza : [-25 , 25] kN
20 Tasa de Aprendizaje : 1,5
10
-10
-20
0 5 10 15 20 25 30 35 40 45
N Ciclos
Figura 5.6. Desempeo del control por aprendizaje para n 1,5 y
cargamento constante de 25 kN.
aprendizaje.
90
40
Aprendizaje de Alva
35
N de Ciclos Aprendizaje Neuro-fuzzy
30
25
20
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Factor de Aprendizaje ()
Figura 5.7. Nmero de ciclos de convergencia en funcin del factor de
aprendizaje, cargamento de 25 kN.
un cargamento de 25 kN.
Error vs N ciclos
80
Error Pico - Aprendizaje de Alva
70 Error Valle - Aprendizaje de Alva
Error Pico - Aprendizaje Neuro-Fuzzy
60 Error Valle - Aprendizaje Neuro-Fuzzy
50
Error (%)
40
Fuerza : [-80 , 80] kN
Tasa de Aprendizaje : 0,1
30
20
10
0
0 2 4 6 8 10 12 14 16
N Ciclos
Figura 5.8. Desempeo del control por aprendizaje para 0,1 y
cargamento de amplitud constante de 80 kN.
91
Error vs N ciclos
80
Error Pico - Aprendizaje de Alva
70
Error Valle - Aprendizaje de Alva
Error Pico - Aprendizaje Neuro-Fuzzy
60
Error Valle - Aprendizaje Neuro-Fuzzy
50
Error (%)
40
30
Fuerza : [-80 , 80] kN
20
Tasa de Aprendizaje : 0,85
10
-10
0 2 4 6 8 10 12 14 16
N Ciclos
Figura 5.9. Desempeo del control por aprendizaje para 0,85 y
cargamento de amplitud constante de 80 kN.
cargamento deseado.
92
Error vs N ciclos
80
Error Pico - Aprendizaje de Alva
70
Error Valle - Aprendizaje de Alva
Error Pico - Aprendizaje Neuro-Fuzzy
60
Error Valle - Aprendizaje Neuro-Fuzzy
50
Error (%)
40
30
Fuerza : [-80 , 80] kN
20
Tasa de Aprendizaje : 0,95
10
-10
0 2 4 6 8 10 12 14 16
N Ciclos
Figura 5.10. Desempeo del control por aprendizaje para 0,95 y
cargamento de amplitud constante de 80 kN.
4 Aprendizaje de Alva
Aprendizaje Neurofuzzy
3
3
N de Ciclos
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Factor de Aprendizaje ( )
Figura 5.11. Nmero de ciclos de convergencia en funcin del factor de
aprendizaje, cargamento de 80 kN.
93
As, el valor ptimo del factor de aprendizaje con el cual el error de control
deseado.
0.9.
que las oscilaciones presentan casos de overshoot que con indeseados en los
ensayos de fatiga.
94
35
30
Fuerza : [25 -25] kN
N de Ciclos
15
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
Factor de Aprendizaje ()
As, los valores de los puntos de reversin son actualizados despus de cada
figura.
95
40
Fuerza (kN)
20
-20
-40
primer ciclo.
96
Fuerza de salida
60 Fuerza deseada
Punto de reversin
40
Fuerza (kN)
20
-20
-40
modelo D562, que tiene como entrada de controle una seal de corriente de
-40mA a 40mA.
gages que mide las deformaciones del cuerpo de prueba, y una clula de
FPGA.
extensmetros.
salidas analgicas usado para generar tensiones elctricas entre -10 V y +10
gage.
(a) (b)
Figura 5.19. (a) NI cRIO 9263 y (b) NI cRIO 9237.
al cRio, el Real Time del cRio y el FPGA del cRio. La parte del control
MHz.
Conclusiones
de fatiga uniaxial.
aprendizaje desarrollado por Alva no necesita el uso de tablas debido a que todas
Recomendaciones
A partir del estudio del efecto del factor de aprendizaje en el aprendizaje del
intervalo de [0,5 - 1] debido que una < 0,5 muy pequeo produce un
105
aplicaciones.
podra ser diferente al obtenido en las simulaciones, debido que estos fueron
Trabajos Futuros
Instruments.
aplicado sobre el cuerpo de prueba, el cual es til para los ensayos SN, trabajos
190-206.
41.
[8] Manual Fuzzy Logic Toolbox do MATLAB, verso 7.0 . May, 2004.
http//www.ica.ele.puc-rio.br.
107
[11] Lewis, H. W. The Foundations of Fuzzy Control. New York: Plenum Press,
1997. 299p.
[13] Pedrycz, W., Gomide, F. Na Introduction to Fuzzy Sets: Analysis and Design.
Paulo, 1996.
Massachusetts, 1995.
IA. http//www.ica.ele.puc-rio.br.
[20] Beale R., Jackson T. Neural Computing: an Introduction. Bristol: Adam Hilger,
1990.
108
http://www.ele.puc-rio.br/labs/ica/icahome.html.
ANEXO
110
F2=0; %F(i+2)
F1=0; %F(i+1)
F0=0; %F(i)
I3=0; %I(i+3)
I2=0; %I(i+2)
I1=0; %I(i+1)
I0=0; %I(i)
while j<=Nc
i=i+1;
ti=i*dt;
% Valores de Amplitud y Minimo Normalizado
A_forca = (Fd(j)-Ft)/160;
M_forca =min(Fd(j),Ft)/80;
end
taux=[taux (ti-dt)];
j=j+1; % Proxima fuerza deseado
end
end
plotstep=20;
if mod(i,plotstep)==1 % grafica cada 20 puntos
F=[F F4];
t=[t ti];
end
Am=A_forca;
Minimo=M_forca;
SERV=[SERV servovalve];
113
% Actualizacin de variables
F0=F1; F1=F2; F2=F3; F3=F4; I0=I1; I1=I2; I2=I3;
end
% Grafica de la Simulacin
plot(t,F,'g','LineWidth',2)
hold on
plot(taux,[0 Fd],'b--','LineWidth',1)
plot(tswitch,xswitch,'rx','LineWidth',2)
xlabel('Tiempo (s)','FontSize',14,'FontName','Times New Roman')
ylabel('Fuerza (kN)','FontSize',14,'FontName','Times New Roman')
legend({'Fuerza de salida','Fuerza deseada','Punto de
reversion'},'FontSize',12,'FontName','Times New Roman')
xlim([0 0.2])
ylim([-12 12])
grid on
function out=crea_neurofuzzy(N_in)
% Crea la estructura del controlador neuro-fuzzy
% N_in : numero de conjuntos fuzzy de amplitud y minimo
nefmat=newfis('Control_neurofuzzy');
114
nefmat=addrule(nefmat,ruleList);
N_rule=size(nefmat.rule,2);
nefmat.peso=ones(1,N_rule)*0.5;
nefmat.d_peso=zeros(1,N_rule);
out=nefmat;
end
m = size(x, 2);
if (m <= 1)
error('Muy pocos parametros de entrada de x!');
end
m = size(x, 1);
if (m ~= 1)
error('Soporta solo 2 vector fila de entrada!');
end
%% salida de cada rega luego de la fuzzificacion
Fuzz=nef_fuzzif(x,nef_mat);
% numero de reglas
Nr=size(nef_mat.rule,2);
bias=0.2;
net=0;
for Ind_rule=1:Nr
W_rule=nef_mat.peso(Ind_rule);
net_rule=Fuzz(Ind_rule)*W_rule;
net=net+net_rule;
end
%% calculo de la sumatoria de las salidas de toda las reglas
S_fuzz=sum(Fuzz);
if(S_fuzz ~= 0)
net=net/S_fuzz;
else
net=net;
end
net=net+bias;
out=fun_valid(net);
function [Fuzz,Gper]=nef_fuzzif(x,nef_mat)
% fus=nef_fuzzif(x,N)
% ---------------- Entradas ---------------------------------------
% x ==> Valores de entrada para los cuales se calcula la
respuesta fuzzificada.
% nef_mat ==> Estructura del sistema NEURO-FUZZY
%----------------- Salida --------------------------------------
% Fuzz ==> Salida fuzzificado, para cada inferencia de las
reglas.
% Gper ==> Grado de perteneNcia para cada uno de las MF de las
reglas.
%-------------------------------------------------------------------
if nargin < 1
error('No hay suficientes argumentos de Entrada.')
end
if nargin < 2
error('Especificar a estrutura NEURO-FUZZY.')
end
%--------------------------------------
fus=[];
Nrul=size(nef_mat.rule,2); % numero de regLas
N_x=size(x,2); % numero de entradas
if (Nrul~=0)
for i=1:Nrul
Na=size(nef_mat.rule(i).antecedent,2);% Numero de
antecedentes de la regra(i)
116
function [out,d_peso]=nef_learning(nef_mat,fuzz,erro,n)
% Funcion que hace el aprendizaje del controlador neuro-fuzzy
%---------------------------------------------------
% Atualizacion de los pesos de la red.
if nargin < 4
n=0.9;
end
% Halla el peso de la regla de mayor funcio de ativacion
max_fuzz=max(fuzz);
I_peso=find(fuzz);
n_fa=length(I_peso);
for i=1:n_fa
d_peso=n*erro*fuzz(I_peso(i))/max_fuzz;
nef_mat.peso(I_peso(i))=nef_mat.peso(I_peso(i))+ d_peso;
nef_mat.d_peso(I_peso(i))=d_peso;
clear d_peso;
end
out=nef_mat;