Seminario de Investigacin II

Mauricio Alexis Guerrero Doria Posgrado de Ingeniera UNAM mauriciogd@unicauca.edu.co

Resumen Las redes de neuronas articiales (ANN) son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas que colaboran entre s para producir un estmulo de salida. Las tcnicas basadas en redes neuronales articiales han tenido una gran cantidad de campos de aplicacin, entre ellos el control de sistemas dinmicos.

En el campo de control de procesos, los esquemas basados en redes neuronales han sido involucrado para distintos propsitos. Uno, por ejemplo, es el control de sistemas que contienen no linealidades tales como sistemas espaciales, robots, sistema de potencia, sistemas qumicos etc, los cuales se convierten en un problema complejo. Un ejemplo de esto se expone en (J. Kang 2014) en donde se propone un control de Red Neuronal con PID Adaptativo (1), en donde el esquema de control automticamente identica los parmetros del sistema a controlar y los ajusta de acuerdo a los posibles cambios que surjan en el sistema. Adems, se utiliza el mtodo del gradiente para optimizar los pesos de la red, los cuales son inicializados a partir de un algoritmo denominado Particle Swarm Optimization (PSO), este con el n de que la convergencia de los pesos de la red sea relativamente rpido. El control de Red Neuronal con PID Adaptativo se fundamenta en los pasos del siguiente algoritmo: 1. Se pone el valor del set point dentro del controlador. 2. Se inicializan los pesos de la red a travs del algoritmo PSO. 3. Se genera una primera seal de control desde el PID de la red. 4. Se retroalimeta la seal de salida. 5. Ajustar los parmetros del PID de la red a partir del mtodo del gradiente descendiente. 6. Si la seal de error es lo sucientemente pequea, el algoritmo termina. Si no retorna al paso 3. Una de las principales conlusiones obtenidas en (J. Kang 2014), es que el esquema de control de Red Neuronal con PID Adaptativo obtuvo mejores resultados que otros mtodos recientes. Al igual que en el trabajo previo mencionado, en (Wuxi Shi 2012) se realiza un control basado en una red neuronal adaptativa para un sistema no lineal pero, en este caso, para un sistema discreto desconocido, el cual es representado

Figura 1: Esquema Control Red Neuronal con PID Adaptativo

por un submodelo lineal ms un submodelo no lineal al rededor del punto de operacin. En dicho trabajo se utiliza un control lineal, diseado a partir de la linealizacin del sistema, sin embargo, se adiciona un compensador implementado con una red neuronal recurrente de dos capas. La ley de adaptacin de los pesos de la red se basa en la teora de Lyapunov. Otro aspecto fudamental en el que han venido siendo utilizadas las redes neuronales en el campo de control, es en el modelado de sistemas dinmicos de diferentes tipos. Un ejemplo de esto se presenta en (Ning Li 2011) donde no slo se desea realizar control, si no tambin el modelado de un sistema Directo de Expansin de Aire Acondicionado a partir de redes neuronales articiales. El sistema mencionado es de alta complejidad debido a que se compone de varios subsistemas interconectados con mutua inuencia entre si, adems, existen no linealidades dinmicas entre las entradas y las salidas del sistema. Otro factor que hace complicado el logro del objetivo del trabajo, es el hecho de que el sistema tenga mltiples entradas y mltiples salidas. El modelado del sistema se llev a cabo a partir de una red neuronal feedforward multicapas, seleccionada por su capacidad de aproximar a cualquier tipo de funcin. Por otra parte, se encuentran algunos trabajos en los cuales la red neuronal se utiliza como el elemento principal de control como en (M. Gorobetz 2008) donde se realiza el control de velocidad de un DC drive a partir de una red neuronal de tipo Feedforward entrenada a partir de un algoritmo Back Propagation. El objetivo en dicho trabajo es mantener la velocidad del DC drive en un intervalo de tiempo a partir de la activacin o no de un actuador,

Figura 2: Simulacin del Control de un DC Drive con Red Neuronal

dependiendo de si la velocidad del motor es baja o alta. En la Figura 2 se observa la simulacin del esquema de control mencionado. La red neuronal tiene como entrada tanto la velocidad del motor como la propia salida de control a travs de una doble retroalimentacin. La seal de control generada es un switcheo para el actuador del motor. La utilizacin de ese algoritmo de control gener un ahorro en el consumo de energa por ms de 25 porciento. As mismo, en (Y. Kaufman 2012) se realiza tambin, el control de un sistema no lineal de un horno de tratamiento trmico, a travs de una red neuronal de dos capas. La capa oculta cuenta con dos neuronas no lineales que representan sistemas LTI, multiplicados por una funcin no linel. R EFERENCIAS
Jun Kang, WenjunMeng, AjithAbraham, HongboLiu (2014). An adaptive PID neural network for complex nonlinear system control (2014). School of Mechanical Engineering ,Taiyuan University of Science and Technology, Taiyuan, China. Wuxi Shi, Yingxin Ma, Yuchan Chen, Ziguang Guo, (2012). Adaptive Neural Network Control for a Class of Nonlinear Discrete System. School of Electrical Engineering and Automation, Tianjin Polytechnic University, tianjin. Ning Li, Liang Xia, Deng Shiming, Xiangguo Xu, Ming-Yin Chan (2011). Dynamic modeling and control of a direct expansion air conditioning system using articial neural network. Department of Building Services Engineering, The Hong Kong Polytechnic University, Hong Kong SAR, China. M. Gorobetz, A. Levchenkov (2008). The Modelling of Articial Neural Network Controller for Electric Drive in Virtual Laboratory. Tenth International Conference on Computer Modeling and Simulation. Yacov Kaufman, Amir Ellenbogen, Arad Meir, Yagil Kadmon (2012). The Nonlinear Neural Network Controller for Thermal Treatment Furnaces. IEEE 27t h Convention of Electrical and Electronics Engineers in Israel.