ING. JOSE GUILLERMO GUARNIZO MARIN

Presentación del tema: "ING. JOSE GUILLERMO GUARNIZO MARIN "— Transcripción de la presentación:

1 SIMULACIÓN DE IDENTIFICADORES A TRAVÉS DE REDES NEURONALES Y CONTROL INVERSO GENERALIZADO
ING. JOSE GUILLERMO GUARNIZO MARIN ESTUDIANTE MAESTRIA ATOMATIZACION INDUSTRIAL UNIVERSIDAD NACIONAL ING. JUAN CARLOS LOPEZ RODRIGUEZ INGENIEROS ELECTRONICOS UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA LINEA DE INVESTIGACIÓN EN FUENTES ALTERNATIVAS DE ENERGÍA LIFAE

2 Agradecimientos por su colaboración a los profesores:
Ing. José Jairo Soriano Méndez . Ingeniero Electrónico. Profesor Universidad Distrital Francisco José de Caldas. Miembro Laboratorio de Automática, Microelectrónica e Inteligencia Computacional LAMIC. Ing. Msc. Javier Antonio Guacaneme Moreno. Ingeniero Electrónico. Profesor Universidad Distrital Francisco José de Caldas. Miembro Línea de Investigación en Fuentes Alternativas de Energía LIFAE Ing. Msc. Cesar Leonardo Trujillo Rodriguez.

3 REDES NEURONALES Modelos computacionales basados parcialmente en emular el comportamiento del cerebro. Compuestas por unidades fundamentales llamadas neuronas, donde se interconectan las unas a las otras. Estas se conectan bajo ciertas reglas, cada conexión tiene un determinado peso, umbral y función de activación. Pueden ser entrenadas para generar respuestas específicas para una entrada deseada, imitar comportamiento de sistemas, identificación de patrones, entre muchas otras aplicaciones. Existen diversos tipos de topologías y entrenamientos de redes neuronales según las necesidades existentes

4 PERCEPTRON Tomada de: Neural Network Toolbox For use With Matlab Y posteriormente editado.

5 ALGUNAS FUNCIONES DE ACTIVACIÓN
Tomada de: Neural Network Toolbox For use With Matlab

6 PERCEPTRON MULTICAPA 1969: Minsky y Seymour: No separabilidad linear del perceptron. 1986: Rumelhart, Hinton y Williams: perceptron Multicapa. Back Propagation. Tomada de: Neural Network Toolbox For use With Matlab Y posteriormente editado.

7 ENTRENAMIENTO A partir patrones Entrada-Salida Técnica del descenso por el gradiente.

8 Red Neuronal En Simulink

9 Selección Componentes

10 Edición etiquetas

11 Edición etiquetas

12 Agregar Parámetros

13 Imitador de Funciones

14 GUIDE

15

16

17

18

19 Llamada de Guide

20 Entrenamiento

21 Imitación de la función.

22 MODELOS DE APROXIMACION
NNFIR NNARX NNARMAX

23 IDENTIFICACION DE SISTEMAS
Identifica la dinámica de un sistema sin conocimiento previo del mismo. Identificación neuronal a partir de patrones de Entrada-Salida del sistema a identificar. Necesita vectores de regresión en las señales de entrada de la red neuronal identificadora. Redes multicapa para la identificación (perceptron 2 capas).

24 CONVERSOR DC-DC Transforman una señal de tensión continua en otra señal continua. Trabajan bajo el principio de regulación conmutada. Principio el cual la tensión es administrada por una señal PWM. Donde: Usados en la industria por su efectividad frente a perturbaciones eléctricas y bajo nivel de pérdidas

25 REDUCTOR DE TENSIÓN T T2 Promediando se obtiene:

26 VALORES OBTENIDOS De acuerdo con:
se obtiene los valores de inductancia y capacitancia Donde: Dispositivo conmutación:FGA40N60UFD Diodo: RURG3020C

27

28 REDES NEURONALES DINAMICAS ADQUISICION DE DATOS

29 ENTRENAMIENTO Y SIMULACIÓN

30

31

32 EVOLUCIÓN ENTRENAMIENTO

33 RESULTADOS

34 CONTROL INVERSO GENERALIZADO

35

36

37 RESULTADO

38 DAQ 6024-E Y REAL TIME ADQUISICIÓN

39 CONFIGURACIÓN REAL TIME

40

41 CONTROLADOR

42 RESULTADOS REFERENCIA 12v. Carga variable a través de reóstato.
Corriente entre 0.28A hasta 8.2 A.

43 PREGUNTAS