Uso de redes neuronales en la identificacin de un sistema

dinmico de voltaje aplicado

Juan Manuel Marn Ocampo1, 2, David Molina Arango1, 3.
1Escuela

de Ingeniera de Antioquia (EIA). Envigado, Colombia.

2juanmmarin@outlook.com
3molina_2692@hotmail.com

Resumen. Una de las principales limitaciones en la arquitectura de controladores

para plantas reales es el desarrollo de modelos adecuados que representen la dinmica del propio sistema. Esta es la razn por la que en el presente artculo, se
hace uso de redes neuronales Perceptrn multicapa (MADALINE) y de base radial (BR) con funcin de activacin inversa cuadrtica para la identificacin de
un sistema dinmico de voltaje para obtener modelos que permitan realizar anlisis de respuesta frente a excitaciones tipo escaln unitario, rampa, parbola y de
nmeros aleatorios a la entrada del sistema. Los modelos usados arrojaron como
resultado un punto de comparacin en cuanto a la utilidad de cada uno para el
pronstico del comportamiento de los datos mediante el uso de series de errores,
que representan la tasa de variacin del pronstico con respecto a la informacin
esperada.
Palabras Clave: Identificacin, Sistemas dinmicos, redes neuronales.

Abstract. One of the most important limitations in the controllers architecture

for real plants it is the development of suitable models that represent the dynamic
of the system itself. This is the reason why in the present paper, show the use of
Multilayer Perceptron (MADALINE) and the radial basis (BR) neural networks
whit activation function inverse quadratic for identification of a dynamic system
of voltage to obtain the model that allow the analysis of response to excitations
step unit, ramp, parabola and random numbers to the system input. The models
gave as result a point of comparison with regard to the usefulness of each one to
the prognosis of the data behavior by using errors series that represents the variation rate of the prognosis with regard of the desired information.
Keywords: Identification, Dynamics systems, neural networks.

Introduccin

l desarrollo de modelos matemticos que representen de forma ms precisa y

exacta el comportamiento real de los sistemas ha requerido el uso tanto de datos
empricos como de hiptesis validadas por modelos fsicos ya demostrados. Esto ha
adfa, p. 1, 2011.
Springer-Verlag Berlin Heidelberg 2011

generado un punto de inflexin en el proceso de identificacin de sistemas reales, ya

que el uso de datos experimentales como medio de partida para el desarrollo de modelos
en tiempo continuo y discreto han permitido que el uso de redes neuronales (RN) se
convierta en un punto valioso al momento de seleccionar cierto tipo de mtodo de identificacin, debido a las aproximaciones certeras que se pueden lograr.
Tal como lo dicen Narendra y Parthasarathy [1] el uso de RN ha sido efectivo tanto en
el desarrollo de modelos de identificacin como para el control en diversas aplicaciones, as mismo se concluye que este proceso est evolucionando constantemente [2] [3]
debido a los avances realizados tanto en sistemas de adquisicin de datos, como de
procesos de aprendizaje y pronstico de datos. El uso de RN ha tenido un progresivo
uso en los ltimos aos para el proceso de identificacin de sistemas dinmicos [4];
esto se debe a: su capacidad de aproximar sistemas no lineales a modelos que permiten
el reconocimiento de parmetros, la capacidad de aprendizaje de una RN que permite
reducir los problemas de convergencia y la tolerancia a la falta de datos o incorrectos
por la toma de datos experimentales sobre el propio sistema.
Estas tres caractersticas que presentan las RN han permitido que se desarrollen modelos, tanto para sistemas lineales como para no lineales, de identificacin de sistemas
dinmicos que reflejan el comportamiento de plantas reales, mediante el uso de datos
obtenidos del propio sistema, esto pone en perspectiva que se est trabajando sobre
informacin cuantificable real y no sobre modelos ideales basados en la teora, por lo
que el desarrollo de este tipo de algoritmos ha permitido obtener aproximaciones certeras sobre el comportamiento de dichos sistemas. Adicional a esto se tiene en cuenta
que la caracterstica ms importante de las RN es su alta tolerancia al ruido y a perturbaciones, en la instruccin y pronstico de datos por el uso del modelo de aprendizaje
y de retropropagacin (Del ingls Bakpropagation), se convierte en un punto esencial
en la modelacin de sistemas industriales. [5] [6]
En el presente artculo se usar como referencia los datos obtenidos de la planta de
voltaje, que consta de un motor de corriente directa (DC) unido a un taco-generador
mediante un eje soportado por dos chumaceras, mediante la aplicacin de excitaciones
de diferente magnitud para determinar la dinmica completa del sistema, esta base se
convierte en la entrada de los dos modelos de RN a usar, que son la RN MADALINE
y la RN de BR con funcin de activacin inversa cuadrtica [7], esta ltima tal como
se puede observar en la ecuacin (1), para observar la utilidad de cada uno y realizar
una comparacin entre las respuestas para el desarrollo de los modelos dinmicos a
travs de funciones de transferencia del sistema; estos ltimos sometidos a diversas
excitaciones tipo escaln unitario, rampa, parbola y nmeros aleatorios.
() =

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

Identificacin Sistema Dinmico Real

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

Auto-correlacin y Auto-correlacin Parcial

Para continuar el proceso de identificacin del sistema dinmico se requiere conocer

la relacin que se tiene de un dato con el anterior, esto con el fin de determinar el nmero de retardos fundamentales del sistema que permiten conocer el nmero de entradas que se usarn para la identificacin del modelo en los modelos a usar de RN.
Este proceso se realiza mediante el uso de los comandos autocorr(y,[])y parcorr(y,[])para determinar los diagramas de auto-correlacin y de auto-correlacin
parcial, en estos la y representa la respuesta de la planta a las excitaciones aplicadas.
2.3

Identificacin mediante el uso de RN

Al obtener el nmero de retardos fundamentales del sistema se puede construir una

base de datos con las entradas necesarias para el aprendizaje y pronstico de las RN
MADALINE y BR; esta base de datos es almacenada en la carpeta raz de los programas de VISUAL .NET para los dos modelos. Ambos modelos cuentan con el proceso
de retropropagacin, por lo que se tiene que tener en cuenta la actualizacin de pesos
en su programacin para proceso de aprendizaje, estos valores sern los encargados de
condicionar el modelo obtenido de las RN, por lo que el uso de la Regla Delta Generalizada (RDG) presentada por Rosenblatt [8] que se muestra en la ecuacin (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 Modelo de Sistema Dinmico

La funcin de transferencia en tiempo discreto obtenida mediante el modelo de

identificacin MADALINE tanto para identificacin como para re-identificacin se somete a entradas tipo escaln unitario, rampa, parbola y nmeros aleatorios para validar
la estabilidad del sistema que representan mediante el uso de MATLAB y el comando
lsim(Gz,u1), donde Gz representa la funcin de transferencia y u1 la entrada, para
realizar la simulacin de los datos.

Anlisis de Resultados

De la planta de voltaje ya mencionada se aplicaron escalones de excitacin del 25%,

50%, 75% y del 100% en una estrategia de identificacin de dinmica completa con
inercia de forma escalonada, estos escalones representan una magnitud proporcional a
su valor de [0-5] voltios de salida del ARDUINO, estos valores se convierten en voltajes [0-12] voltios de entrada al motor mediante un circuito de potencia con el uso de
mosfet. La respuesta del sistema a la entrada del ARDUINO dio como resultado una
seal que flucta entre [0-0.4] voltios, as se realiz la escala necesaria para la representacin de la figura 1 que muestra tanto la entrada como la salida. El tiempo de muestreo utilizado fue de 10 ms para un total de 1901 datos.

uk
ydk

0.5
0
0

200

400

600

800

1000

1200

1400

1600

1800

Fig. 1. Identificacin Sistema Dinmico de Voltaje Real.

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.

Fig. 2. Diagrama de auto-correlacin del Sistema dinmico real de voltaje.

2000

Fig. 3. Diagrama de auto-correlacin parcial del Sistema dinmico real de Voltaje.

De la figura 2 se obtiene que el sistema presenta una tendencia decreciente, mientras

que de la figura 3 se obtiene que el sistema presenta un comportamiento aleatorio con
valores representativos por fuera del valor pi de la grfica de al menos 5 picos, por lo
que se va a representar el sistema con una relacin de 5 retardos fundamentales, estos
van a representar las entradas de los modelos de RN a usar. Si se observa el comportamiento de los dos grficos se podra obtener una identificacin del sistema dinmico
como un modelo auto-regresivo.
El primer modelo a usar para la identificacin del sistema dinmico es el de la RN
MADALINE, para esto se hace necesario usar el principio de la RDG para el proceso
de retropropagacin, este modelo requiere que se actualicen tanto los pesos de la capa
oculta de neuronas (Wji) como los de salida (Cj). Estas actualizaciones de pesos se pueden observar en las ecuaciones (4) y (5) respectivamente.
=
=

(4)
(5)

La derivada parcial del erk 2 para ambos pesos se puede observar en las ecuaciones
(6) y (7).
2

= (
= (

(6)

(7)

La salida de la RN yrk se denota y define para el modelo MADALINE como se

muestra en la ecuacin (8), donde Sj est representada por la ecuacin (9) y es la salida
de la neurona de salida y hj representa la salida de la capa de neuronas ocultas y se
denota como se muestra en la ecuacin (10).
=

(8)

(9)

(10)

Las derivadas de la salida yrk se muestran en las ecuaciones (11) y (12).

(11)

(12)

Las derivadas de Sj con respecto a los pesos de aprendizaje se pueden ver en las
ecuaciones (13) y (14).

(13)
(14)

La derivada de hj con respecto a Wji se puede ver en la ecuacin (15).

(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)

El segundo modelo a utilizar es el de RN de BR con funcin de activacin inversa

cuadrtica en la capa de neuronas ocultas, para esto se hace necesario usar el principio
de la RDG para el proceso de retropropagacin, este modelo requiere que se actualicen
tanto los pesos de los radios (XCji) como los de salida (Cj). Estas actualizaciones de
pesos se pueden observar en las ecuaciones (18) y (19) respectivamente.
=
=

(18)
(19)

La derivada parcial del erk 2 para ambos pesos se puede observar en las ecuaciones
(20) y (21).
2

= (

= (

(20)
(21)

La salida de la RN yrk se denota y define para el modelo BR como se muestra en la

ecuacin (22), donde Sj est representada por la ecuacin (23) y es la salida de la neurona de salida y hj representa la salida de la capa de neuronas ocultas y se denota como
se muestra en la ecuacin (24).
=
=

(22)

(23)

(24)

1+2

Las derivadas de la salida yrk se muestran en las ecuaciones (25) y (26).

(25)
(26)

La derivada de hj con respecto a XCji se puede ver en la ecuacin (27).

2
(1+2 )2

(27)

La derivada de Sj con respecto a XCji se puede ver en la ecuacin (28).

(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)

Al obtener las ecuaciones de actualizacin de pesos para ambos modelos se ejecutan

los programas de VISUAL .NET para ambas RN, de las que se obtiene tanto la curva
de respuesta con aprendizaje y validacin como de NIT contra erk 2 o EMS (Error Mean
Square). Para los modelos de RN se usaron los valores que se muestran en la tabla 1.

Tabla 1. Parmetros utilizados en los modelos de RN.

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

Para la RN MADALINE se obtuvo como curva de respuesta la figura 4, 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

ydk

0.8

yrk

0.6
0.4
0.2
0
0

200

400

600

800

1000

1200

1400

1600

1800

Fig. 4. Respuesta RN MADALINE.

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

Fig. 5. EMS contra NIT de la RN MADALINE.

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

Fig. 6. Respuesta RN BR con funcin de activacin inversa cuadrtica.

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

Fig. 7. EMS contra NIT de la RN BR con funcin de activacin inversa cuadrtica.

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

Fig. 8. Respuesta RN MADALINE para re-identificacin.

EMS
1.2
1
0.8
0.6
0.4
0.2
0
0

10

12

Fig. 9. EMS contra NIT de la RN MADALINE para re-identificacin.

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

EMS RE-ID MADALINE

Fig. 10. Comparacin Curvas EMS contra NIT de los resultados de la identificacin con RN
MADALINE y la re-identificacin con RN MADALINE.

A pesar que la pendiente es mucho ms elevada para el proceso de re-identificacin

que para la identificacin los errores al final de las 10 iteraciones sigue siendo mucho
menor para el primer proceso de identificacin que se realiz del sistema dinmico de
voltaje real. Esto permite tomar en consideracin que el proceso realizado con la RN
MADALINE para la identificacin es ms adecuada para los datos obtenidos de la
planta real, no solo por el hecho de que tiene un pronstico ms acertado, sino tambin
por la forma en la que la red aprende de los datos. Esto se puede observar en la tabla 2
donde se comparan los resultados de los errores de aprendizaje y de pronstico de las 3
RN usadas.
Tabla 2. Parmetros de respuesta de las RN usadas.

Error Cuadrtico Medio

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.

Fig. 11. Respuesta ante entrada tipo escaln unitario.

Fig. 12. Respuesta ante entrada tipo Rampa.

Fig. 13. Respuesta ante entrada tipo Parbola.

Fig. 14. Respuesta ante entrada tipo Nmeros Aleatorios.

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

La comparacin de los dos modelos utilizados para una identificacin a dinmica

completa de forma escalonada, para un sistema dinmico real, muestra una amplia diferencia en la precisin, no solo del proceso de aprendizaje sino tambin de pronstico,
y repetibilidad de los datos esperados, por lo que la seleccin de un tipo de RN para
este proceso se vuelve sencilla: una red neuronal tipo MADALINE muestra una tendencia ms acertada a los valores deseados.
La utilidad de ambos modelos queda an ms evidenciado al momento de visualizar
los errores tanto de aprendizaje como de pronstico, debido a que el modelo obtenido
con la RN MADALINE arroja resultados de forma ms precisa y acorde con el comportamiento real de la planta, mientras que el modelo obtenido por la re-identificacin
de una RN de BR presenta una reduccin significativa en cuanto a precisin y veracidad
al momento de pronosticar.
El uso de la RN de BR con funcin de activacin inversa cuadrtica, como modelo
de identificacin de sistemas dinmicos, no responde en forma exacta al sistema, sin
embargo, su uso como modelo de control adaptativo representa una gran ventaja, por
la forma en la que trabaja, sobre una RN de tipo MADALINE.

Referencias
[1]

K. S. Narendra y K. Parthasarathy, Identification and control of dynamical

systems using neural networks, IEEE Transaction on Neural Networks, vol. 1,
n 1, pp. 4-27, 1990.

[2]

K. K. Safak y O. S. Turkay, Experimental identication of universal motor

dynamics using neural networks, Mechatronics, vol. 10, pp. 881-896, 200.

[3]

Y.-W. Lee y T.-L. Chang, Application of NARX neural networks in thermal

dynamics identication of a pulsating heat pipe, Energy Conversion and
Management, vol. 50, p. 10691078, 2009.

[4]

J. Gir, A. Graca y J. Stuardi, Identificacin de parmetros de sistemas

dinmicos a travs de redes neuronales artificiales, Mecnica computacional,
vol. XXVI, pp. 2585-2599, 2007.

[5]

P. Chandra y Y. Singh, Fault tolerance of feedforward artificial neural

networks- a framework of study, Proceedings of the International Joint
Conference on Neural Networks, vol. 1, pp. 489 - 494, 2003.

[6]

K. Patan, Artificial Neural Networks for the Modelling and Fault Diagnosis
of Technical Processes, Chennai: Springer, 2008.

[7]

P. Isasi Viuela y I. M. Galvn Len, Redes Neuronales Artificiales Un

enfoque prctico, Madrid: Person Prentice Hall, 2004.

[8]

V. T. T. Mariano, L. Hernndez Hernndez y A. Hernndez Espinoza,

Perceptrn Parte 1, Universidad del Estado de Hidalgo - Huejutla, 2011.