! " # $ $ " % % & ' () % + % () ( * ( % * % ( # * " % * ( $ % * , * % % ( * % , Figura 2.1 Re
Views 50 Downloads 1 File size 403KB
!
" #
$ $
" %
%
& ' () %
+ %
()
(
*
(
%
*
%
(
#
* "
%
* (
$ %
* ,
*
% %
(
*
% ,
Figura 2.1 Representación a bloques de un sistema.
"
# .'/ 0
=
+ +
+
+ +
+
"
$ '' & %
(
'*
$ %
Figura 2.2 Diagrama de un sistema dinámico.
" #
.'/'0
= .'/'0
! #
"
) '1
2
Figura 2.3 Esquema de un sistema retroalimentado de control.
$ , 3
% . .
0 0
.0 %
.0
1
% 4
2
' 10 #
5 .0 " %
. %
%
# 6
.0
% ,
%
5 7.0 8
" 5 7 . 0 86
"
+ %
'1 %
" # 7.0 8 + $
" !
% "
$
5
,
$ '
Figura 2.4 Retroalimentación directa de estado.
) '!
Figura 2.5 Retroalimentación de estado usando un estimador.
)
&
' (
%
! !
&
7 8
'! .0 .3 0
.
0
+
# 9
% .0
#
.0 " %
$
.0
.0 -
#.:0 7:;8
.0
; < ;
,
,
$
$ 3 %
,
, + , 2 =
)
'1
7'8 $ %
" $ $ $ ,
718 , $
" " > ,
#
.
,
$
0
9
6 #
>
$
2
$
?
9
'' 6
"
!
"
% , % $ ?
,
%
3+& "
? $
( (
# )
* *
, # $
% %
)
+
!
!
!
,
(
*
" $
"
# %
@
A
. 3
0
,
$ $ ,
)
2
B
C7
, " $
+
D -3ED
$
$ ,
'1
3
G
)
.(
F; E
*07!8
% %
$ #
% 9
; .
' 10
$
'A
*
'
. /
-
0 3
0 2
1 ( 0 ! " " !
0
!
0 %
(
-
(
8
Entrada de c omando
Salida
Base de conocimiento
Fuzzificac ión
Inferenc ia
Defuzzific ac ión
Proceso y medición
Figura 2.6 Esquema de un controlador difuso insertado en el esquema general de un control retroalimentado.
'A
'1
-
&
F
" %
.
% "
&
0
%
H
-
3
F
% " "
I
2
# . FE 0 ;
.< F< E :0
# ,
$
< F< E
7A8
% < FE %
$ F-/;J D
,
,
F-/;J D 9
F-/;J D "
$
4
6
%
5 7 87 9 7 8 7 :8:9 : ( 8 : ( 9
0 9
3
"
)
+
& $
# % µ"&'(
$
# %
-
-
>!
" )* +
>
$
→ )* +
",
#
"
>" ./% # 0 .
)
#
# ,
>0
"
"
"
"
#
> F-.
. 00 ;J D .
.
.'00 . 00 K .
K
. . 00
. 00
,
#
+
. K
#
, +
!
2
;
M K #
+
2 :9 44) ?
4
M .
%@
,
%
3
;L / . ,
. L
>
#
+
%
!
K
#
.
+
5
2
L.#
K #D0 K
5
L.#
K #D0
.
9
;L 9
/ %
%
&(
% :≤
& (≤
)
%
> : ≤ & (≤ : : ≤ &( % % "
& (≤ : "
%
% 1
'C Bajo
1
Medio
Alto
Medio
Alto
0.8 Degree of membership
0.8 Degree of membership
Bajo
1
0.6
0.4
0.6
0.4
0.2
0.2
0
0 0
1
2
3
4
5 e(n)
6
7
8
9
10
0
1
2
3
4
5 de(n)
Figura 2.7 Funciones de membresía definidas para las señales de entrada al controlador difuso
6
6
7
8
9
10
)
$ 'C )
%
$ (
*
(
*
$ 'G % bajo
1
medio
alto
Degree of membership
0.8
0.6
0.4
0.2
0 0
0.1
0.2
0.3
0.4
0.5 salida
0.6
0.7
0.8
0.9
1
Figura 2.8 Funciones de membresía “crisp” para la salida.
/
&
3 .
0
>
1. If (error is bajo) and (cambioerror is bajo) then (salida is bajo) (1) 2. If (error is bajo) and (cambioerror is medio) then (salida is medio) (1) 3. If (error is bajo) and (cambioerror is alto) then (salida is alto) (1) 4. If (error is medio) and (cambioerror is bajo) then (salida is bajo) (1) 5. If (error is medio) and (cambioerror is medio) then (salida is medio) (1) 6. If (error is medio) and (cambioerror is alto) then (salida is alto) (1) 7. If (error is alto) and (cambioerror is alto) then (salida is alto) (1) 8. If (error is alto) and (cambioerror is medio) then (salida is alto) (1) 9. If (error is alto) and (cambioerror is bajo) then (salida is alto) (1) Tal vez habría que definir o explicar cuántas funciones se tienen que determiner. ¿porqué 9 y no más?
/
)
/
)
N
O
" 2
2
+
3 ) (
*
" 2
< 6 µ K µD6 D 5β K βD
D
,
D " >
µα ⋅ β =
=
µα =
α /
% N
O
E &( .
3 %
%
&(
)& &(
%
&(
%
3
)F
3 • •
3
)F>
3
F- &( +
)&> F- &( +
3 3
M ;J D
3
3
M ;J D &( 3
3
% %
'1'3 +
0 3
7G8 7H8
$ , $
, % )
2
,
'H
Figura 2.9 Esquema de una neurona artificial.
>
= A + %
.(# *0 ? 9
# 9
' :
Figura 2.10 Una capa de neuronas.
"
2
>
'
$
1
5
1
0.9
4
0.8
0.8
3
0.7
2
Función Sigmoidal
0.6
0.6
Función lineal
1
0.4
0
0
0.4
-1
-0.2
0.3
-2
-0.4
0.2
-3
-0.6
0.1
-4
0 -5
-4
-3
-2
-1
0
1
2
3
4
-5 -5
5
Función Tangencial
0.2
0.5
-0.8 -4
-3
-2
-1
0
1
2
3
4
-1 -5
5
-4
-3
-2
-1
0
1
2
3
4
5
Figura 2.11 Funciones de activación comúnmente usadas.
$
$ # .
/
B
0
B #
9
$
(
4
*
B #
1
6
% & +
% # 3 #$
# #
$
" 0 '0 10 0
>
3 3 E 3 %
> 0 3 $
'
"
0 3 0 &
%
&
%
> 0 0 0 0
< & & &
% % %
.
0
> 0 0 0 0 0
3 3 3 3 "
+ ω.
P
'/!0 +
%
DD
Q
DD>
.'/!0
P.ω0 ω .'/!0
+
0 3 0
D 3
E=
E .'/H0
E
#
u
Y
Planta
Entrenamiento
Red Neural
u’
Figura 2.13. Una red neuronal en un modelo inverso.
.
0
!
< )3 $
A
$ $
2 "
.
0 +2
#
,
)
'
"
F (
*
7 ,+C 7
,
! ! +
(
(
-
'
0 + 3 , / >
{η E −η
C
} .'/ :0
ηV
η "
η
#
2
,
ηV
9 >
G{ E −
}
H
η
=
.'/ 0 3
+
3
3 &
$ $ ) 6 .
'
0
F
3
Entrenamiento
Red Neural
r +
Controlador
u
-
Modelo o Proceso
y
Figura 2.14. Red neuronal como autosintonizador en lazo cerrado.
"
)F& " )F& .@ Q
@ .; 0Q
@ .; 0Q
0
%
"
)F& $
2 $
+ 2
)
)F& '0 3 0
• • • •
+ + + +
-
Q
*
"
#$
-./ # $
$
,
3 +4F3 D -3"+
# D -3ED D -)4EW 7 !8
+
> +D-F - D
, 2
.+D-F - D D -3"+
" D -3ED 3 F; E $
.+4F3 D -3ED0 D -)4EW0
$ #
$ $
I+4F3 D -3ED +
#
2 D -3ED
'1
D -3ED
D -3ED
,
(02
70 C
,
D -3ED
G H
" D -3ED η
ξ D -3ED
" "
ξ' . '' " 41
)
ξ
41> M'
µ
3
4
' ''
,
% 4 >
ξ'
η
4!
M'
µ
Y
ν'
= B L
DI . J BK ( 4 M )N CB D= ", ; 00 1: O4& /81P D F 0 0 " ! ( " " " 0
! 7
F:
3
+ "
< "
"
0
Figura 2.22. Sistema NEFCON con dos variables de entrada y cinco reglas.
"
#
D -3ED
2
0 .
#
#
ξ 2 ν1 #
.
0 4
µ
4'
,
' '' 4 4!
#
# η
#
2 "
D -3ED + $ D -3ED ,
D -3ED
D -3ED • •
4 ) 8 4 *0
.(#
4
>
8
*0
.(
• •
+
$ Y
#
• , L D -3ED •
)
• •
" )
•
3
> ξ η 4 $ 4
µ# . 0
,
Y
4
#
.M0
.
#
,
0
Y
# •
" .&
/ . 00
.&
. 00
D -3ED " "
!'
(
)* (
+"%
7 A8 D -3ED
"
%
$ +
" +
Z[ +
η .' 9 ' 05 3
.Z
# .η 0 .' 9 ' 0
[0 .' 9 ' 0
$6
>
"
D -3ED