In this paper we present the experimental results of the neural network control of a servo-system in order to control its speed. The control strategy is implemented by using an inverse-model control based on Artificial Neural Networks (ANNs). The network training was performed using two learning algorithms: Levenberg-Marquardt and Bayesian regularization. We evaluate the generalization capability for each method according to both the correct operation of the controller to follow the reference signal, and the control efforts developed by the ANN-based controller.
“Control neuronal por modelo inverso de un servosistema usando algoritmos de aprendizaje Levenberg-Marquardt y Bayesiano”. Victor A. Rodriguez-Toro,
Jaime E. Garzón, Jesús A. López. VIII Congreso de la Asociación Colombiana de Automática. Universidad Tecnológica de Bolívar. Asociación Colombiana
de Automática. Abril 2-3 de 2009. Cartagena. ISBN 978-958-8387-23-9.
1
Control Neuronal por Modelo Inverso de un Servosistema Usando Algoritmos de
Aprendizaje Levenberg-Marquardt y Bayesiano.
Victor A. Rodriguez-Toro§, Jaime E. Garzón‡, Jesús A. López†
§Grupo de Investigación en Bionanoelectrónica. Escuela de Ingeniería Eléctrica y Electrónica.
A.A. 25360, Universidad del Valle, Cali, Colombia (email: victor.rodriguez@correounivalle.edu.co)
‡ Escuela de Ingeniería Eléctrica y Electrónica.
A.A. 25360, Universidad del Valle, Cali, Colombia (email: jaimeegv@hotmail.com)
†Grupo de Investigación en Energías GIEN-UAO. Departamento de Automática y Electrónica.
Calle 25 No. 115-85, Universidad Autónoma de Occidente, Cali, Colombia (e-mail: jalopez@uao.edu.co)
Resumen: En este trabajo se presentan los resultados experimentales del control neuronal de velocidad
de un servosistema. La estrategia de control neuronal implementada es el control por modelo inverso. El
entrenamiento de la red se ha realizado usando dos algoritmos de aprendizaje: Levenberg-Marquardt y
regularización Bayesiana. Se evalúa la capacidad de generalización de cada método en función del
correcto funcionamiento del controlador para seguir la señal de referencia y de los esfuerzos de control
obtenidos
Palabras Clave: Neuro-Control, Red Neuronal Artificial, Algoritmos de Entrenamiento, Control por
Dinámica Inversa
- INTRODUCCIÓN
Una de las propiedades más explotadas de las redes
neuronales artificiales (RNA) es la de ser aproximador
universal de funciones [Hornik 89], lo cual ha llevado a
utilizarlas en diversidad de aplicaciones que van desde el
reconocimiento
de
patrones
[Bishop
95],
hasta
la
identificación y/o control de sistemas dinámicos [Narendra
90].
En el área de control de sistemas dinámicos, las RNA se han
usado en diferentes enfoques siendo el control neuronal por
modelo inverso la estrategia básica de control neuronal
[Norgaard 00].
Además, debe señalarse que a pesar de existir una gran
diversidad de algoritmos de aprendizaje para las redes
neuronales, los más usados para tal fin son los algoritmos
basados en gradiente. Dependiendo de la manera como se
utilice la información del gradiente, se tienen algoritmos de
aprendizaje denominados de primer orden como el gradiente
descendente [Hagan 96, Haykin 99] o algoritmos de
aprendizaje más elaborados denominados de segundo orden
como los algoritmos de gradiente conjugado [Hagan 96,
Haykin 99] y los algoritmos basados en la metodología de
Levenberg-Marquardt [Hagan 96, Masters 95].
En aplicaciones de control neuronal por modelo inverso,
generalmente se selecciona como algoritmo de aprendizaje el
basado en Levenberg-Marquardt, debido principalmente a su
rapidez de convergencia con errores suficientemente
pequeños acorde a las necesidades del usuario. Sin embargo,
alcanzar errores pequeños no garantiza la capacidad de
generalización del modelo neuronal, produciendo en este
caso un problema de sobre-entrenamiento, lo cual significa
que la red presenta un error muy bajo con los patrones de
entrenamiento pero el error aumenta con los patrones de
validación.
Entre las diferentes alternativas para evitar el sobre-
entrenamiento se destaca el algoritmo de regularización
automática o aprendizaje Bayesiano. En aplicaciones de
identificación de sistemas, esto se ha explorado teniendo
como resultado que la calidad de los modelos neuronales
mejora cuando se usa aprendizaje Bayesiano en vez de
aprendizaje
convencional
como
Levenberg-Marquardt
[Lopez 07]
El objetivo de este trabajo es ver las diferencias entre
controladores neuronales entrenados con métodos que no
garantizan la capacidad
de
generalización como
el
Levenberg-Marquardt y métodos que si consideran este
aspecto como el aprendizaje Bayesiano Este documento está
organizado de la siguiente manera: En la sección 2 se
presentan conceptos generales de control neuronal y de
entrenamiento de redes neuronales considerando y no el
sobre-entrenamiento. Posteriormente, en la sección 3, se
presenta la implementación del control neuronal por modelo
inverso en el servosistema. En la sección 4 se muestran los
resultados experimentales. El trabajo termina con la sección 5
donde se presentan las conclusiones.
2
- CONTROL POR MODELO INVERSO: APRENDIZAJE
LEVENBERG-MARQUARDT Y BAYESIANO.
2.1 Modelo inverso
El control por modelo inverso es una técnica, que busca
cancelar la dinámica de la planta al colocar un elemento en
cascada con ella, en este caso una red neuronal, siendo este
una aproximación matemática del inverso de la planta. De
es
This content is AI-processed based on open access ArXiv data.