Implementación de un control neuronal en un sistema plate and ball utilizando como target un controlador por realimentación del estado y observador de orden completo

Abstract
La aplicación de las redes neuronales artificiales se ha expandido a tal punto que grandes empresas del sector tecnológico le apuntan a la inversión en este campo, el presente trabajo de grado prueba la aplicación de este tipo de algoritmos como solución a la no linealidad, la inestabilidad y la rapidez presente en un sistema plate and ball, para llevar a cabo esto, se obtiene el modelo matemático del sistema mediante análisis fenomenológico utilizando la ley de conservación de la energía, la linealización a través de series de Taylor y la transformada de Laplace. Luego de obtenido el modelo matemático, se diseña un controlador digital del cual se quiere que la red neuronal propuesta aprenda, la representación en tiempo discreto y espacio de estados del sistema es el paso previo al diseño del controlador digital, para iniciar este proceso, se calcula el periodo de muestreo por el método de ancho de banda, acto seguido, se diseña un controlador por realimentación del estado y observador de orden completo mediante la técnica de asignación de polos, puesto en marcha el controlador se convierte en el target para el entrenamiento de una red neuronal artificial. Una vez obtenida la base de datos extraída del comportamiento del controlador por realimentación del estado y observador de orden completo, se realiza el entrenamiento e implementación de una red neuronal artificial, que utiliza el algoritmo back propagation y cuyo aprendizaje es del tipo supervisado, los pesos producto del entrenamiento se extraen y se prueba el algoritmo como regulador del sistema plate and ball, obteniéndose una respuesta oscilatoria.8Por último, se diseña y se pone en marcha un controlador PID en tiempo discreto utilizando la técnica de asignación de polos a fin de comparar mediante las métricas de la integral del error si un controlador de la teoría clásica del control es más eficiente en la reducción del error que un controlador inteligente (red neuronal).
Description
Keywords
Redes neuronales. Controladores digitales. Realimentación del estado. Controladores PID.
Citation