Professional Documents
Culture Documents
PACHUCA
MECATRNICA
PROYECTO DE ESTANCIA I
MODELADO DE UN SISTEMA DE TRES GRADOS
DE LIBERTAD
Diciembre-2013
INTRODUCCIN
Estancia I
OBJETIVO DE LA INVESTIGACIN
Estancia I
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)
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]
(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