UNIVERSIDAD POLITCNICA DE

PACHUCA

MECATRNICA
PROYECTO DE ESTANCIA I
MODELADO DE UN SISTEMA DE TRES GRADOS
DE LIBERTAD

JOS IVN ESCAMILLA LPEZ

(1231108009)

FILIBERTO MUOZ PALACIOS

Diciembre-2013

INTRODUCCIN

Estancia I

A lo largo de este proyecto se analizaran los mecanismos necesarios que hacen

posibles que las mquinas (sistema) aprendan. Se realizaran los clculos que se
necesiten para llegar a las acciones que requiera el sistema. As mismo se
analizara el comportamiento y el funcionamiento de las redes neuronales las
cuales en este proyecto son la base principal para que el sistema tenga el
funcionamiento esperado.
En este sistema de control adems analizaremos como es el comportamiento de
una seal que directa o indirectamente represente la variable del sistema que
deseamos controlar.
De igual forma en el presente proyecto se incluyen todos los mtodos con los
cuales se llevara a cabo el mismo para un ptimo desempeo.
El objetivo del presente trabajo es utilizar la base terica de las redes neuronales
artificiales como una herramienta prctica que permita realizar anlisis.
Utilizando un modelo del sistema para proponer un diseo el cual puede mejorar
diferentes puntos crticos que se puedan presentar a lo largo del presente trabajo.

PLANTEAMIENTO DEL PROBLEMA

El fin practico de este proyecto es poder desarrollar un sistema de tres grados de

libertad para demostrar como es el funcionamiento y el comportamiento de las
hlices principales de un helicptero, para lo cual se presenta a continuacin la
teora necesaria para desarrollar el sistema antes mencionado, adems cabe
mencionar que lo que se desea realizar con este proyecto es simular el
comportamiento de un helicptero para revisar cuales son los puntos crticos del
mismo y de esa manera proponer un sistema alternativo para solucionar los
problemas que presenta un helicptero, los cuales podran ser: Estabilidad, control
automtico, diseo, entre otros.
As mismo se desea revisar y analizar el comportamiento de las redes neuronales
para implementar estas al sistema y de esta manera hacer el sistema autnomo e
independiente, probando as la capacidad del sistema (helicptero) para
controlarlo desde el exterior de este.

OBJETIVO DE LA INVESTIGACIN

Estancia I

En este proyecto lo que se desea obtener es un sistema de tres grados de libertad

el cual mediante un sistema de aprendizaje supervisado simule el comportamiento
de un helicptero, con el fin de demostrar cuales son los principales problemas
que se pueden presentar en un caso real y de esta forma minimizar los errores. Se
pretende realizar mediante redes neuronales ya que estas tienen la habilidad para
desarrollar computacin distribuida, para tolerar el ruido en la entrada, y para el
aprendizaje.
En lo que es la estabilidad lo que se pretende o a lo que se est enfocando es a la
estabilidad vertical y la rotacin del sistema.

ANTECEDENTES
Desde la dcada de los ochenta el control de mecanismos se ha estudiado de
manera amplia proponindose diversas estrategias de control para resolver el
posicionamiento y seguimiento de trayectorias, sujeto a ambientes tanto ideales
como inciertos.
Un reto tecnolgico ha sido lograr estabilizar dispositivos de baja escala como
helicpteros debido a que los efectos aerodinmicos tienen gran influencia.
Un trabajo realizado por el Instituto Politcnico Nacional [1], revela el todo el
proceso que se lleva a cabo para la realizacin de un proyecto como el que a
continuacin se describe con la inmensa diferencia que en este trabajo se
utilizaran redes neuronales para su manipulacin cabe mencionar que no deja de
ser una base para aclarar dudas que pudieran surgir en este proyecto.
Existen en la actualidad diversos laboratorios alrededor del mundo que cuentan
con plataformas experimentales de control de helicpteros. Solo muy pocos han
reportado las estrategias a seguir para su diseo y construccin, en el entendido
que se deja al diseador la libertad de su construccin de acuerdo a sus
necesidades.
Existe un trabajo realizado en Londres en el ao de 2005 [2] en el cual se emplea
una plataforma similar donde se proponen estrategias de control no lineal basadas
en los modelos de Newton-Euler y Euler-Lagrange, en sus resultados se
presentan simulaciones y experimentos basados en la linealizacin de la planta.
Tambin a lo largo de los desarrollo de los diferentes proyectos se han presentado
un sinfn de problemas en el diseo en el control debido a no linealidades, fuerzas
aerodinmicas y subactuadas [3].

METODOLOGA

Estancia I

Para esta primera parte del proyecto lo que se pretende es obtener las ecuaciones
y el mtodo de solucin para el sistema y de esta forma dar solucin al problema
antes planteado y que el sistema de tres grados de libertad (helicptero) pueda
resolverse conforme a lo esperado. A continuacin se describe el mtodo de
solucin mediante redes neuronales.
Las redes neuronales estn compuestas por nodos (Figura 1) conectadas a travs
de conexiones dirigidas. Una conexin de la unidad j a la unidad i sirve para
propagar la activacin a j de j a i. Adems cada conexin tiene un peso numrico
w j,i asociado, que determina la fuerza y el signo de la conexin. Cada unidad i
primero calcula una suma ponderada de sus entradas:
n

ini= wj,i a j

(1)

j=0

Luego se aplica una funcin de activacin g a esta suma para producir la salida:
a i =g(ini )=g(

(2)

La funcin de activacin g se disea con dos objetivos. Primero, se requiere que la

unidad este <<activa>> (cercana a+1) cuando se proporcionen las entradas
<<correctas>>, e <<inactiva>> (cercana a 0) cuando se den las entradas
<<errneas>>.

Figura 1 modelo matemtico sencillo para una neurona

En esta ocasin como el sistema requiere de ms complejidad se utilizaran redes

neuronales recurrentes (redes feedforward ).
Por lo cual se hace referencia a que la informacin anterior solo es bsica para
entender el funcionamiento de una red neuronal y su principal ecuacin.[4]
REDES NEURONALES FEEDFORWARD

Estancia I
En este tipo de redes se empieza con un vector de entradas el cual es equivalente
en magnitud al nmero de neuronas de la primera capa de la red, las cuales
procesan dicho vector elemento por elemento en paralelo. La informacin
modificada por los factores multiplicativos de los pesos en cada neurona, es
transmitida hacia adelante por la red pasando por las capas ocultas (si existen en
el sistema) para finalmente ser procesada por la capa de salida. [5]

Dado un conjunto de observaciones, la tarea del aprendizaje neuronal es construir

un estimador
g (x, w) de la funcin desconocida h(x) del cual se conoce slo un conjunto de
datos,

(3)
Donde
(4) es el vector paramtrico a ser estimado y equivale a
las ponderaciones de las conexiones entre las neuronas de la red, 1 es una
funcin no-lineal acotada y diferenciable con forma de funcin sigmoide o de radio
basal, 2 es una funcin que puede ser lineal o no lineal y es el parmetro de
control que indica el nmero de neuronas escondidas.
La funcin 1 tpicamente es la funcin sigmoidal dada por:

(5)
Si la funcin 2 se elige no-lineal, debe ser estrictamente montona, acotada y
diferenciable. La funcin sigmoidal satisface estos requisitos.

Estancia I
Por lo tanto el ajuste de la red se produce como resultado de la estimacin de los
parmetros basado en una muestra de tamao n. La estimacin es obtenida
minimizando una funcin de costo es decir:
(6)
Donde Ln (w) normalmente viene dado por la funcin del promedio de los errores
al cuadrado entre
El dato estimado por la red y el dato real, es decir:

(7)
El trmino de "backpropagation" se refiere a la forma en que el gradiente de la
funcin de costo es calculado para redes neuronales feedforward. El aprendizaje
involucra un ajuste de los pesos comparando la salida deseada con la respuesta
de la red de manera que el error sea mnimo. La funcin que usualmente es
utilizada para medir el error es la suma de los errores al cuadrado o su promedio.
[6]

CONCLUSIONES

Estancia I
En general esta parte del proyecto es de suma importancia ya que en esta
instancia es en donde se desarrolla la teora necesaria para fundamentar el
proyecto y de esta manera se tengan los resultados esperados a lo largo del
mismo. En cuestin de las redes neuronales son muy importantes ya que hacen
posible la aplicacin de mtodos en los cuales se desarrollan los comportamientos
necesarios para manipular el sistema.
Las redes neuronales se clasifican en diferentes tipos lo cual nos permite afirmar
que tienen un amplio campo de aplicacin.

REFERENCIAS
[1] http://itzamna.bnct.ipn.mx/dspace/bitstream/123456789/9953/1/161.pdf
[2] P. Castillo, R. Lozano and A.E. Dzul, Modelling and control of miniflying
machines London. Springer, 2005
[3] J. Avila-Vilchis, B. Brogliato, A. Dzul. And R. Lozano. Nonlinear modelling and
control of helicopters, Automatica, vol. 39, pp.1583-1596, 2003.
[4] Nils J. Nilsson, Inteligencia Artificial, redes neuronales pp. 33-52, McGrawHill.
[5]http://catarina.udlap.mx/u_dl_a/tales/documentos/lem/oropeza_c_ca/capitulo3.pdf
[6]http://www.inf.utfsm.cl/~rsalas/Pagina_Investigacion/docs/Apuntes/Redes
%20Neuronales%20Artificiales.pdf