Introduccin
1
1+ 2
(1)
Metodologa
Para obtener un modelo que permita representar la dinmica de una planta real de
forma matemtica, como ya se dijo anteriormente, es necesario realizar un proceso de
adquisicin de datos sobre la planta en punto de trabajo, esto con el fin de obtener un
punto de partida para trabajar en software VISUAL .NET como medio de desarrollo
matemtico y MATLAB con el fin de validar el modelo obtenido.
2.1
Mediante el uso de la plataforma libre ARDUINO y del software LABVIEW se realiza la comunicacin serial necesaria para obtener la seal anloga entregada por el
taco-generador de la planta, esta responde a excitaciones constantes enviadas por el
usuario para el proceso de identificacin de dinmica completa; para esto se seleccion
el modelo de identificacin con inercia de forma escalonada, haciendo uso de escalones
del 25%, 50%, 75% y del 100% de la seal de control, que para este caso es el voltaje
del motor. Entre cada excitacin se tiene un tiempo de espera para que el sistema logre
un punto estable, es en este punto donde se vuelve cero la seal de control antes de
enviar una excitacin mayor.
Los datos que se obtienen son almacenados en un archivo de Microsoft Office Excel
para su posterior uso en el proceso de identificacin, de aqu se obtiene tanto el tiempo
en el que se ejecuta la medicin, como la excitacin y su respuesta; estos datos son
escalados en valores [0-1] para realizar el proceso de identificacin de forma adecuada.
2.2
+1 =
(2)
Estos modelos arrojan como resultado las curvas del nmero de iteracin (NIT) contra el error cuadrtico medio (erk2), este ltimo se puede ver en la ecuacin (3), donde
yd es el dato entregado por la identificacin del sistema dinmico real y yr es el dato
entregado por la RN, estas curvas permiten realizar una primera comparacin entre la
utilidad de cada modelo de RN para la identificacin de sistemas dinmicos.
1
= ( )2
2
(3)
Adicional a esto se obtienen las curvas de comparacin entre yd y yr, que permite
confirmar el estado del aprendizaje y de la validacin de forma general.
Al usar el modelo de RN de BR se obtiene una salida que requiere una re-identificacin con el modelo MADALINE, esto con el fin de linealizar los resultados obtenidos
y poder realizar el anlisis de la respuesta ante algunas excitaciones. Este proceso se
realiza de la misma forma en la que se ordenaron los datos para el primer proceso,
incluyendo el mismo nmero de retardos fundamentales como entradas.
Despus de realizar tanto la identificacin de la RN MADALINE como el proceso
de re-identificacin se obtiene una ecuacin en diferencias que representa el modelo
matemtico del sistema dinmico, y es a este al que se le aplica transformada z para
obtener la funcin de transferencia en tiempo discreto.
2.4
Anlisis de Resultados
uk
ydk
0.5
0
0
200
400
600
800
1000
1200
1400
1600
1800
Los datos obtenidos en la respuesta son importados a MATLAB para obtener los
diagramas de auto-correlacin y de auto-correlacin parcial que se observan en las figuras 2 y 3 respectivamente.
2000
(4)
(5)
La derivada parcial del erk 2 para ambos pesos se puede observar en las ecuaciones
(6) y (7).
2
= (
= (
(6)
(7)
(8)
(9)
(10)
(11)
(12)
Las derivadas de Sj con respecto a los pesos de aprendizaje se pueden ver en las
ecuaciones (13) y (14).
(13)
(14)
(15)
Con (15), (13), (11) y (6) en (4) se obtiene la RDG de actualizacin de pesos para
Wji tal como se muestra en la ecuacin (16). Con (14), (12) y (7) en (5) se obtiene la
RDG de actualizacin de pesos para Cj, tal como se muestra en la ecuacin (17).
= +
(16)
= +
(17)
(18)
(19)
La derivada parcial del erk 2 para ambos pesos se puede observar en las ecuaciones
(20) y (21).
2
= (
= (
(20)
(21)
(22)
(23)
(24)
1+2
(25)
(26)
2
(1+2 )2
(27)
(28)
Con (28), (27), (25) y (20) en (18) se obtiene la RDG de actualizacin de pesos para
XCji tal como se muestra en la ecuacin (29). Con (26) y (21) en (19) se obtiene la RDG
de actualizacin de pesos para Cj tal como se muestra en la ecuacin (30).
= +
2
(1+2 )2
= +
(29)
(30)
0.085
10
BR con funcin
de activacin inversa cuadrtica
0.12
10
Re-identificacin
MADALINE
0.085
10
30
30
60
Parmetro
MADALINE
NIT
Neuronas
Ocultas / Centroides
% de Aprendizaje
ydk
0.8
yrk
0.6
0.4
0.2
0
0
200
400
600
800
1000
1200
1400
1600
1800
La curva del error cuadrtico medio contra el NIT se puede observar en la figura 5.
EMS
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
12
2000
De este modelo se obtiene la identificacin del sistema dinmico de voltaje tal como
se muestra en la ecuacin 31.
() =
()
()
0.03769 5
5 0.78553 4 0.08598 3 +0.00205 2 0.44516 +0.3644
(31)
Con estas dos curvas se puede obtener una primera impresin acertada tanto para el
proceso de aprendizaje como para el de pronstico, esto debido a que tanto la curva de
respuesta del sistema dinmico como la de respuesta de la RN coinciden en su gran
mayora de puntos con un error cuadrtico medio muy bajo.
Para la RN BR con funcin de activacin inversa cuadrtica se obtuvo como curva
de respuesta la figura 6, donde la lnea azul representa la excitacin, la roja la respuesta
de la planta real y la verde la curva de aprendizaje/pronstico de la RN.
uk
1
0.8
ydk
0.6
yrk
0.4
0.2
0
0
200
400
600
800
1000
1200
1400
1600
1800
La curva del error cuadrtico medio contra el NIT se puede observar en la figura 7.
EMS
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0
10
12
2000
Con estas dos curvas se da una primera impresin del uso de esta RN como vlido
para aprendizaje pero desfavorable para el pronstico de los datos del sistema dinmico,
debido a que la respuesta esperada difiere en gran proporcin a los datos esperados para
los escalones del 75% y del 100%. Para poder comparar este modelo con el obtenido
con la RN MADALINE se hace necesaria una re-identificacin de los datos de salida
de este modelo (BR) haciendo uso de una RN tipo MADALINE, los resultados de este
nueva identificacin se pueden observar en las figuras 8, donde la lnea azul representa
la excitacin, la roja la respuesta de la RN de BR con funcin de activacin inversa
cuadrtica y la verde la curva de aprendizaje/pronstico de la RN MADALINE para reidentificacin, y 9.
uk
ydk
yrk
0.5
0
0
200
400
600
800
1000
1200
1400
1600
1800
EMS
1.2
1
0.8
0.6
0.4
0.2
0
0
10
12
De este modelo se obtiene la identificacin del sistema dinmico de voltaje tal como
se muestra en la ecuacin 32.
() =
()
()
0.03676 5
5 0.34883 4 0.39309 3 +0.05609 2 +0.01808 0.03472
(32)
2000
Con los datos que se tena como respuesta de la RN de BR se realiz una re-identificacin con la RN MADALINE, los resultados de primera impresin muestran un proceso de aprendizaje y de pronstico adecuado para lo esperado, ya que son coincidentes
en bastantes puntos de los 1901 datos que se esperaban.
Se realiz una comparacin de las curvas de EMS vs. NIT de la identificacin
MADALINE y de la re-identificacin con MADALINE en la figura 10.
2
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0
4
EMS MADALINE
10
12
Fig. 10. Comparacin Curvas EMS contra NIT de los resultados de la identificacin con RN
MADALINE y la re-identificacin con RN MADALINE.
MADALINE
Aprendizaje
Pronstico
0.023
0.068
BR con funcin
de activacin inversa cuadrtica
0.022
166.335
MADALINE reidentificacin
0.034
0.349
Con las dos identificaciones realizadas se realizar una comparacin para determinar
la estabilidad de los modelos obtenidos ante entradas tipo escaln unitario, rampa, parbola y nmeros aleatorios, las respuestas se pueden observar en las figuras 11, 12, 13
y 14 respectivamente.
Ambos modelos presentan estabilidad para las 4 entradas a las que se sometieron,
por lo que se puede decir que se obtuvo como resultado una aproximacin adecuada al
sistema dinmico real de voltaje, sin embargo la respuesta presentada por el modelo
obtenido de la re-identificacin con la RN MADALINE presenta una disminucin considerable en la proporcin de respuesta si se compara con la respuesta del modelo
MADALINE que tiene una tendencia ms aproximada a las entradas a las que se vio
sometido el sistema.
Conclusiones
Referencias
[1]
[2]
[3]
[4]
[5]
[6]
K. Patan, Artificial Neural Networks for the Modelling and Fault Diagnosis
of Technical Processes, Chennai: Springer, 2008.
[7]
[8]