Taller 2 Redes Neuronales

FUNDACION UNIVERSIDAD AUTONOMA DE COLOMBIA.
FACULTAD DE INGENIERIA.
INGENIERIA ELECTROMECANICA.
Informe Taller 2: Automatización Industrial.
Presentado por:
Brayan Yesid Ramirez Barrera.
REDES NEURONALES
INTRODUCCION:
Para poder realizar este taller es indispensable revisar la ayuda de MATLAB para
poder diseñar un controlador neuronal de referencia de modelo en Simulink, la
arquitectura de control de referencia del modelo neuronal utiliza dos redes
neuronales: una red de controlador y una red de modelo de planta, primero se
identifica el modelo de la planta y luego se entrena al controlador para que la
salida de la planta siga la salida del modelo de referencia.
Figura 1: Modelo de red neuronal
Fuente: Matworks.
La siguiente figura muestra los detalles del modelo de planta de red neuronal y el
controlador de red neuronal tal como se implementan en el software Deep
Learning Toolbox ™. Cada red tiene dos capas y puede seleccionar la cantidad de
neuronas que se usarán en las capas ocultas. Hay tres conjuntos de entradas de
controlador:
 Entradas de referencia retardadas.
 Salidas de controlador retardadas.
 Salidas de planta retrasadas.
Para cada una de estas entradas, puede seleccionar el número de valores
retardados que se utilizarán. Normalmente, el número de retrasos aumenta con el
orden de la planta. Hay dos conjuntos de entradas para el modelo de planta de red
neuronal:
 Salidas de controlador retardadas.
 Salidas de planta retrasadas.
Al igual que con el controlador, puede establecer el número de retrasos. La

siguiente sección muestra cómo puede configurar los parámetros.
ANALISIS Y SOLUCION
1. Abrir el sistema de control con modelo de referencia de un mecanismo de péndulo con
la instrucción mrefrobotarm en la ventana de comandos de Matlab.
Esta sección muestra cómo se entrena el controlador de red neuronal, el primer

paso es copiar el bloque de control de referencia del modelo del conjunto de
bloques Deep Learning Toolbox en Simulink® Editor, se proporciona un modelo de
ejemplo con el software Deep Learning Toolbox para mostrar el uso del
controlador de referencia del modelo. En este ejemplo, el objetivo es controlar el
movimiento de un péndulo simple de enlace único, como se muestra en la
siguiente figura:
Imagen 1: modelo de red neuronal.
Fuente: MATLAB.
La finalidad de entrenamiento del sistema mediante redes neuronales es
aproximar lo más eficientemente posible el modelo de referencia al modelo real de
la planta, más adelante podremos visualizar las imágenes con los resultados de lo
anteriormente pronunciado.
Al llegar a este punto procedemos a abrir el bloque de modelo de referencia de
control del sistema que está en azul dentro de este módulo se encuentran
funciones como la arquitectura de datos, el tipo de entrenamiento a aplicar y los
parámetros de control, dentro de ese modulo abrimos el identificador de la planta
para generar los datos, entre más datos generemos mejor nos va a arrojar los
resultados, al concluid el entrenamiento del sistema nos arroja la siguiente grafica
que corresponde a los datos generados para suplir las funciones de la planta
original.
Figura 2: Datos generados de la planta.
Fuente: Matlab.
Después de generar los datos en el identificador de planta los exportamos al
Windows command de matlab y abrimos el tolboox con el comando nnstart, al
realizar este proceso debemos identificar las variables de entrada (U) y de salida
(Y), ya habiendo plenamente identificado las variables procedemos a escoger uno
de los tres métodos de red neuronal existente.
Imagen 2: Tipos de redes neuronales.
Fuente: Matlab.
Ya tomados los resultados de los tres tipos de redes neuronales, procedemos a
analizar sus resultados para determinar la que mejor se adecua al sistema, gracias
a este proceso y utilizando diferentes cantidades de neuronas con un retraso o
delay de 2 pudimos concluir que la opción 3 es la que mejor se adecua al modelo,
entonces a partir de estos resultados procedemos a ajustar los parámetros para
lograr obtener una mayor eficiencia del proceso.
Imagen 3 : Solucion de
Red neuronal.
Numero de neuronas : 20
Capas de profundidad: 13
Retraso: 2
Fuente: matlab.
Para el caso anterior podemos concluir que la gráfica presenta un comportamiento

no muy bueno ya que su amplitud tiene mucha oscilación representando posibles
alteraciones del sistema, para seguir adaptando el modelo se decidió bajar la
cantidad de neuronas a 10 con un retraso igual para observar el comportamiento
de la gráfica y estos fueron sus resultados.
Imagen 4: resultados de red neuronal con 10 neuronas.
Fuente: Matlab.
Al realizar el mismo proceso pero disminuyendo el número de neuronas se puede
observar que mejora el modelo sus oscilaciones son más controladas y tiene una
mejor respuesta, sin embargo se nota que aun su error es un poco alto, y se
requiere de un modelo con un error al mínimo y una sincronización más fluida,
siguiendo en busca del modelo más adecuado y a partir de estos resultados
decidimos bajar a 5 las neuronas para ver el comportamiento del sistema.
Imagen 5: resultados
de red neuronal con
5 neuronas.
Fuente: Matlab.
Al realizar el mismo proceso que los anteriores resultados nos arrojaron buenos
resultados con un error mejorado y unas oscilaciones más acordes sin embargo se
realizó otro intento disminuyendo las neuronas a tres pero, encontramos que con 5
neuronas es lo más aproximado que puede dar como resultado ya que al
disminuirlas a tres notamos que el error aumentaba.
Figura 3: graficas del estado de entrenamiento de la red neuronal seleccionada.
Fuente: matlab.
CONCLUSION
Este trabajo fue de gran ayuda para comprender los aspectos fundamentales que
componen las redes neuronales, las redes neuronales resultan especialmente
adecuadas para llevar a cabo el reconocimiento de patrones a fin de identificar y
clasificar objetos o señales en sistemas de control, también se pueden emplear
para el modelado y la predicción de modelos industriales mejorando los procesos
productivos de la industria y dando un mayor manejo a la vida útil de los
productos.
Para este caso nos encontramos con un análisis basado en la cantidad de
neuronas a utilizar, notamos que la cantidad de neuronas depende directamente
del tipo de proceso que se vaya a realizar y la complejidad del mismo, lo anterior
se basa en que los resultados nos dieron que con 5 neuronas era el mejor manejo
que se podía brindar al modificar las neuronas, pero tanto al aumentar neuronas
como al disminuirlas después de 5 ya el sistema aumentaba su error, también se
puede destacar que un buen manejo de datos es necesario para generar un buen
entrenamiento, entre mayores y más precisos datos hallan más eficaz y cercano
nos va a dar el sistema, pero hay que tener cuidado porque no siempre van a dar
los resultados que uno espera, porque hay muchos factores que alteran las
probabilidades de éxito del programa, y se requieren de muchos otros procesos
para programar.
REFERENCIAS
 Ayuda de matlab para la aplicación en redes neuronales
https://la.mathworks.com/discovery/neural-network.html
https://la.mathworks.com/help/deeplearning/index.html?s_tid=CRUX_lftnav

Taller 2 Redes Neuronales

Cargado por

Copyright:

Formatos disponibles

Taller 2 Redes Neuronales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taller 2 Redes Neuronales

Cargado por

Copyright:

Formatos disponibles

FUNDACION UNIVERSIDAD AUTONOMA DE COLOMBIA.

Al igual que con el controlador, puede establecer el número de retrasos. La

Esta sección muestra cómo se entrena el controlador de red neuronal, el primer

Para el caso anterior podemos concluir que la gráfica presenta un comportamiento

También podría gustarte