UNIVERSIDAD CATÓLICA DE

CUENCA
SEDE AZOGUES

FACULTAD DE INGENIERÍA ELECTRÓNICA

MATERIA:
CONTROL MODERNO III

ESTUDIANTE:
LOZADO CAMPOVERDE EDGAR FRANCISCO
CONTROL NEURONAL (REDES NEURONALES)
INTRODUCCIÓN
¿Qué ocurre cuando el problema que se quiere resolver no admite
un tratamiento algorítmico, como es el caso, por ejemplo, de la
clasificación de objetos por rasgos comunes?

Esto nos demuestra que la construcción de nuevas máquinas más versátiles

requiere un enfoque del problema desde otro punto de vista, es por ello que
los desarrollos actuales de los científicos se dirigen al estudio de las
capacidades humanas para el diseño de las nuevas máquinas.

Así, las redes neuronales son más que otra forma de emular ciertas
características propias de los humanos, como la capacidad de
memorizar y de asociar hechos. Si se examinan con atención aquellos
problemas que no pueden expresarse a través de un algoritmo, se observará
que todos ellos tienen una característica en común: la experiencia.
ANÁLISIS TEÓRICO
REDES NEURONALES ARTIFICIALES CON MATLAB
 Podemos definir las redes neuronales artificiales como una estructura de
procesamiento paralelo masivo constituida por unas unidades muy
sencillas (denominadas neuronas), que tienen la capacidad de almacenar
conocimiento experimental y ponerla a disposición para su uso. El
interés por las redes neuronales artificiales se ha visto potenciado en los últimos
años gracias a los avances en Deep Learning (aprendizaje profundo), en donde
destacan las redes neuronales convolucionales.

 Las redes neuronales artificiales se asemejan a las redes neuronales biológicas

en varios aspectos:
 Las neuronas son elementos simples y altamente interconectados (aunque las
neuronas artificiales son mucho más simples).
 Las conexiones entre las neuronas determinan la función de la red. Estas
conexiones, conocidas como pesos (pesos sinápticos), se utilizan para almacenar el
conocimiento adquirido.
 El conocimiento es adquirido a partir de su entorno mediante un proceso de
aprendizaje.
PORQUE USAR REDES NEURONALES EN CONTROL?

 Procesos reales
 Control manual

 Control automático
 Lineal, no lineal
 Variante, invariante
 Optimo, robusto, adaptive
 Difuso, neuronal
 RED NEURONAL
TIPOS DE REDES NEURONALES

 Feedforward: Una red neuronal prealimentada (feed-forward en

inglés) es una red neuronal artificial donde las conexiones entre las
unidades no forman un ciclo. La red neuronal prealimentada fue la
primera y más sencillo forma de red neuronal artificial ideada. En
esta red, la información se mueve en una única dirección: adelante.
De los nodos de entrada, a través de los nodos escondidos (si los
hay) hacia los nodos de salida. No hay ningún ciclo o bucle en estas
redes.
Recurrentes: Constituyen una herramienta muy apropiada para
modelar series temporales. Se trata de un tipo de redes con una
arquitectura que implementa una cierta memoria y, por lo tanto, un
sentido temporal. Esto se consigue implementando algunas neuronas
que reciben como entrada la salida de una de las capas e inyectan su
salida en una de las capas de un nivel anterior a ella.
Estática: La primera clase de redes se conoce con el nombre de redes
neuronales estáticas. En esta clase podemos encontrar la red
Multicapa de Perceptrones, la red de Funciones de Base Radial, Red
Neuronal Probabilística (PNN), etc. Todas ellas tienen como
característica común el no poseer memoria, es decir, sólo son capaces
de transformar un conjunto de entradas en un conjunto de salidas, de
tal manera que una vez establecidos todos los parámetros de la red
las salidas únicamente dependen de las entradas.
Dinámicas: Como segunda clase de redes neuronales debemos
nombrar las redes neuronales dinámicas. Estas a diferencia de las
anteriores permiten establecer una relación entre salidas y entradas
y/o salidas y entradas previas. Esto añade cierta memoria a estas
redes. Matemáticamente, esta memoria se traduce en la aparición de
ecuaciones diferenciales o ecuaciones en diferencia formando parte
del modelo de las mismas. Sin útiles en problemas de modelización
de la dinámica directa e inversa de sistemas complejos, como robots,
cohetes, naves espaciales, así como en la modelización de circuitos
secuenciales y en la conversión de texto a voz.
APRENDIZAJE

 Aprendizaje supervisado: Se caracteriza porque el proceso de

aprendizaje se realiza mediante un entrenamiento controlado por un
agente externo (supervisor, maestro) que determina la respuesta que
debería generar la red a partir de una entrada determinada. El
supervisor controla la salida de la red y en caso de que ésta no coincida
con la deseada, se procederá a modificar los pesos de las conexiones, con
el fin de conseguir que la salida obtenida se aproxime a la deseada.

 Aprendizaje no supervisado: En este tipo de redes la salida

representa el grado de familiaridad o similitud entre la información que
se le está presentando a la entrada y las informaciones que se le han
mostrado hasta entonces. Está constituido por un conjunto de reglas que
dan a la red la habilidad de aprender asociaciones entre los patrones que
ocurren en conjunto, (frecuentemente) . Una vez que los patrones se han
aprendido como asociación le permite a las redes realizar tareas útiles de
reconocimiento de patrones y la habilidad de recordar.
SENSOR NEURONAL
1. RECOPILAR DATOS

2. TRANSFORMACIÓN
 Filtros
3. NORMALIZACIÓN
4. ENTRENAR LA RED
 Entrenamiento
 Memorización
 Validación
MODELO NEURONAL
1. MODELO SERIE

2. MODELO PARALELO
CONTROL NEURONAL
1. CONTROL INVERSO LAZO ABIERTO

2. CONTROL INVERSO LAZO CERRADO

3. CONTROL SIN MODELO

4. CONTROL CON MODELO

5. CONTROL CON MODELO DE REFERENCIA

6. CONTROL PREDICTIVO
7. CONTROL PREDICTIVO CON MODELO DE REFERENCIA
APLICACIONES
 Las redes neuronales pueden utilizarse en un gran número y variedad de
aplicaciones:

 Biología:
 Aprender más acerca del cerebro y otros sistemas.
 Obtención de modelos de la retina.

 Empresa:
 Evaluación de probabilidad de formaciones geológicas y petrolíferas.
 Identificación de candidatos para posiciones específicas.
 Explotación de bases de datos.
 Optimización de plazas y horarios en líneas de vuelo.
 Optimización del flujo del tránsito controlando convenientemente la temporización de
los semáforos.
 Reconocimiento de caracteres escritos.
 Modelado de sistemas para automatización y control.
 Medio ambiente:
 Analizar tendencias y patrones.
 Previsión del tiempo.

 Finanzas:
 Previsión de la evolución de los precios.
 Valoración del riesgo de los créditos.
 Identificación de falsificaciones.
 Interpretación de firmas.

 Manufacturación:
 Robots automatizados y sistemas de control (visión artificial y sensores de presión,
temperatura, gas, etc.).
 Control de producción en líneas de procesos.
 Inspección de la calidad.

 Medicina:
 Analizadores del habla para ayudar en la audición de sordos profundos.
 Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
 Monitorización en cirugías.
 Predicción de reacciones adversas en los medicamentos.
 Entendimiento de la causa de los ataques cardíacos.
  Militares:
 Clasificación de las señales de radar.
 Creación de armas inteligentes

 Optimización del uso de recursos escasos.

 Reconocimiento y seguimiento en el tiro al blanco.

 La mayoría de estas aplicaciones consisten en realizar un

reconocimiento de patrones, como ser: buscar un patrón en una
serie de ejemplos, clasificar patrones, completar una señal a partir
de valores parciales o reconstruir el patrón correcto partiendo de
uno distorsionado. Sin embargo, está creciendo el uso de redes
neuronales en distintos tipos de sistemas de control. Desde el
punto de vista de los casos de aplicación, la ventaja de las redes
neuronales reside en el procesado paralelo, adaptativo y no lineal.
EJEMPLO:
CONTROLADOR BASADO EN REDES NEURONALES PARA
UN SISTEMA MULTIVARIABLE DE NIVEL Y CAUDAL

El desarrollo de un control neuronal esta basado en el modelo inverso para el

sistema hidráulico multivariable de nivel y caudal, se realiza el modelamiento del
sistema y se implementan los controladores en MatLab haciendo uso del Neural
Network Toolbox y de Simulink como interfaz de monitoreo y control.
 En la Figura 1. se muestra el esquema de la planta, la cual consta de:
 Tanque de perturbación de nivel T1, tanque principal T2, tanque de reserva T3.
 Electroválvula de perturbación V1, electroválvula de control V2.
 Bomba sumergible B1.
 Sensor de nivel S1 ubicado en la parte superior de T2.
 Sensor de caudal S2 ubicado en la tubería inmediatamente después de V2.
Se pretende controlar el nivel y el caudal de salida de T2 accionando B1 y V2 que
proporcionan el flujo de entrada y salida de líquido de T2 respectivamente. A través de
V1 se ingresa un flujo de líquido proveniente de T1 con el cual se busca perturbar el
proceso de control del nivel.
 La Figura 2 muestra el diagrama de bloques del sistema, con la
discriminación detallada de las etapas empleadas para la
adquisición de las señales del sistema, su procesamiento y salida
de las mismas hacia la planta.
 Para hacer la adquisición de datos se ha creado un archivo en
simulink, Figura 3, en el que se incorpora la comunicación serial
entre la tarjeta de desarrollo Arduino Mega y el computador,
además se realizan los cálculos necesarios para convertir las
señales de voltaje de nivel y caudal a nivel (cm) y caudal (L/min)
respectivamente.
 El cálculo de las ganancias en lazo abierto y relativas se realiza mediante una prueba
experimental que consiste en aplicar un escalón constante durante todo el tiempo de la
prueba a una variable de entrada
 Bomba sumergible B1 (VB)
 electroválvula V2 (VV)
 sensor de nivel (VN)
 sensor de caudal (VC)
 nivel se referencia (N)
 sensor de caudal (C)
 Con la ayuda del Neural Network toolbox de MatLab se desarrolla el
algoritmo encargado de crear la red neuronal con los datos del error de voltaje
nivel y el voltaje de nivel (VN), la cual posee una capa oculta con 13 neuronas y
una capa de salida con 1 neurona.
 La interfaz de control en tiempo real, implementada en Simulink, a
través de la cual se realizan las pruebas de los controladores se muestra
en la Figura 8.
REFERENCIAS
1) ftp://decsai.ugr.es/pub/usuarios/castro/Material-Redes-Neuronales/Libros/matich-
redesneuronales.pdf

2) https://la.mathworks.com/discovery/redes-neuronales.html

3) http://www2.elo.utfsm.cl/~elo379s2/informacion/material/PARTE1_USM.pdf

4) http://software-tecnico-libre.es/es/articulo-por-tema/todas-las-secciones/todos-los-
temas/todos-los-articulos/redes-neuronales-recurrentes-y-series-de-tiempo

5) https://advancedtech.wordpress.com/2007/08/24/redes-neuronales/

6) http://redesneuronal.blogspot.com/

7) ftp://decsai.ugr.es/pub/usuarios/castro/Material-Redes-Neuronales/Libros/matich-
redesneuronales.pdf