Regulación de velocidad robusta de un motor de CD usando un método basado en datos con RNA
Resumen
En este trabajo se presenta el control basado en datos mediante redes neuronales artificiales de un motor de CD. Los principales componentes del esquema de control propuesto son el modelo numérico de la planta que incluye como entrada el voltaje suministrado por la fuente y un modelo inverso, que calcula la señal de control, implementados mediante Redes Neuronales Artificiales (RNA). La novedad del presente método basado en datos con RNA es la incorporación del voltaje en el vector de estados del modelo, ya que interesa por su importancia práctica al modelar el motor de CD. Para validar el esquema propuesto, se presentan resultados experimentales sobre un motor de CD comercial ante perturbaciones variantes en el tiempo.
Descargas
Citas
Abougarair, A. J. (2023). Adaptive neural networks based optimal control for stabilizing nonlinear system. En 2023 IEEE 3rd International Maghreb Meeting of the Conference on Sciences and Techniques of Automatic Control and Computer Engineering (MI-STA), pp. 141–148.
Bazanella, A., Campestrini, L., y Eckhard, D. (2012). Data-driven Controller Design: The H2 Approach. Springer, Netherlands. Cao, F., Yang, T., Li, Y., y Tong, S. (2019). Adaptive neural inverse optimal control for a class of strict feedback stochastic nonlinear systems. En 2019 IEEE 8th Data Driven Control and Learning Systems Conference (DDCLS), pp. 432–436.
Cao, F., Yang, T., Li, Y., y Tong, S. (2019). Adaptive neural inverse optimal control for a class of strict feedback stochastic nonlinear systems. En 2019 IEEE 8th Data Driven Control and Learning Systems Conference (DDCLS), pp. 432–436.
Hamoodi, S. A., Sheet, I. I., y Mohammed, R. A. (2019). A comparison between pid controller and ann controller for speed control of dc motor. En 2019 2nd International Conference on Electrical, Communication, Computer, Power and Control Engineering (ICECCPCE), pp. 221–224.
Haykin, S. (1999). Neural networks: a comprehensive foundation by simon haykin.
Hornik, K., Stinchcombe, M., y White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5):359–366.
Jayachandra, B. y Mahesh, A. (2018). Ann based direct power control of 2-level pwm rectifier. En 2018 International Conference on Power Energy, Environment and Intelligent Control (PEEIC), pp. 623–627.
Lecun, Y., Bottou, L., Bengio, Y., y Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
Li, J., Fang, Y., Ge, Y., y Wu, Y. (2020). Dnn-based implementation of data-driven iterative learning control for unknown system dynamics. En 2020 IEEE 9th Data Driven Control and Learning Systems Conference (DDCLS), pp. 1037–1042.
Naung, Y., Schagin, A., Oo, H. L., Ye, K. Z., y Khaing, Z. M. (2018). Implementation of data driven control system of dc motor by using system identification process. En 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), pp. 1801–1804.
Rongmin, C., Huixing, Z., y Hou, Z. (2010). The permanent magnet linear motor control based on data-driven control theory. En 2010 Chinese Control and Decision Conference, pp. 3164–3169.
Rumelhart, D. E., Hinton, G. E., y Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323.
Sandoval, J., Kelly, R., Santibáñez, V., y Villalobos-Chin, J. (2022). Energy regulation of torque-driven robot manipulators in joint space. Journal of the Franklin Institute, 359:1427–1456.
Verbruggen, H. B., Zimmermann, H.-J., y Babuška, R., editores (1999). Fuzzy Control Versus Conventional Control, pp. 59–81. Springer Netherlands, Dordrecht.
Derechos de autor 2024 Marco Antonio Castro-Liera, César Higuera-Verdugo, Jesús Alberto Sandoval-Galarza, Iliana Castro-Liera
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
