Diseo De Un Controlador Adaptativo Basado

En Redes Neuronales Para El Control De

Direccin De Un Barco (Diciembre 2104)
Salazar Castro Jose Alejandro, 2111601464, josealejandrosc@hotmail.com; Estudiante de Ingeniera
Electrnica, Universidad de Nario. Pasto, Colombia.

sistema una variable controlada segn los parmetros

Resumen Las redes neuronales o RNA son un mtodo de preestablecidos, este proceso se ilustra en la figura 2. [1]
control inteligente que simula el comportamiento humano, dicho
control se realiza mediante la sintonizacin o ajuste de pesos y bias
que compone la red, existen mtodos de aprendizaje de la red como
el aprendizaje reforzado con el cual se ajusta los parmetros de la
red de manera dinmica, este proceso resulta en un sistema de Fig. 2. Proceso de un Sistema de control.
control adaptativo el cual permite controla la direccin de un
barco sin necesidad de sintonizar por un usuario los parmetros
permanentemente, solo basta sintonizar los valores iniciales de As, dependiendo de la planta o proceso a controlar, se
dichos parametros. desarrolla un tipo de control especfico para dicho proceso, en
la actualidad, el avance tecnolgico ha llevado al desarrollo de
Palabras Claves Control de Direccion de un Barco, Control controladores inteligentes bioinspirados, que permiten simular
Inteligente, Perceptron Multicapa, Redes Neuronales Artificiales, el comportamiento de los seres humanos enfocados a controlar
Sistema de Control Adaptativo.
un determinado proceso, dentro de dichos controladores
inteligentes podemos resaltar:
I. INTRODUCCIN

E N nuestra vida cotidiana existen diversidad de objetivos

que deben cumplirse, as, voluntaria o involuntariamente ,
estos objetivos se cumplen mediante un sistema de control el


Controladores Fuzzy.
Controladores basados en Reden Neuronales
Artificiales o RNA.
cual permite implantar ciertas estrategias de control, por
Controladores basados en Algoritmos Genricos.
ejemplo al momento de tomar un bao, suponiendo que se desea
agua caliente, nuestro cuerpo censa el agua y si esta fra o muy
Para el objetivo del artculo hablaremos simplemente sobre
calienta reacciona y cierra o abre un poco ms la llave para
controladores basados en RNA, en 1943 se propusieron los
cumplir el objetivo de la temperatura deseada, as, se cumple un
primeros modelos de RNA por McCulloch y Pitts, una RNA es
sistema de control. Los sistemas de control son muy
conjunto de neuronas interconectadas que procesan
importantes hoy en da, ya que nos dan la certeza de cumplir un
informacin para realizar una tarea especfica, la ventaja de las
objetivo deseado, esto es importante para procesos de gran
RNA es que tiene la capacidad de aprender al realizarles un
valor que implican costos elevados entre otros factores como
proceso denominado entrenamiento. [3]
rendimientos, seguridad, etc. [1]

Fig. 1. Componentes basicos de un sistema de control

Los componentes bsicos de un sistema de control se definen

mediante los objetivos de control, los componentes del sistema
de control y los resultados o salidas, un diagrama que ilustra
estos componentes se ilustra en la figura 1, adems, un sistema Fig. 3. Proceso de comunicacin de las neuronas.
de control est compuesto por dos partes, el controlador y el
proceso controlado, as, el proceso que se realiza empieza El cerebro humano est compuesto por una gran cantidad
desde el ingreso de una seal de referencia (entrada) la cual es neuronas, las neuronas a su vez estn formadas por un ncleo,
aplicada al controlador el cual genera una seal actuante que y un mecanismo que permite la sinapsis (conexin con otras
controla el proceso de tal manera que se obtenga a la salida del neuronas) que son el axn y las dendritas, cuando se estimula
Informe diseo de un controlador adaptativo basado en redes neuronales para el control de direccin de un barco de la materia profundizacin en
automatizacin y control I, presentado para revisin el 15 de Diciembre de 2014. Jos Salazar, Estudiante de Ingeniera Electrnica, Universidad
de Nario, Pasto, Colombia. Presentado al Profesor Jhon Barco, Departamento de Electrnica, Universidad de Nario, Pasto, Colombia.
una neurona esta libera un neurotransmisor que viaja a travs
del axn hacia las dendritas de otras neuronas en donde se repite
este proceso, as, ante un determinado estimulo, ciertas
neuronas se activan y otras se inhiben, este proceso se muestra
en la figura 3. Mediante un proceso de aprendizaje se logran
establecer los niveles correctos de activacin-inhibicin de las
neuronas, cuando se finaliza este proceso, dependiendo el
estmulo sabemos cmo responder y a la vez aprendemos, as,
el cerebro es entrenado por repeticin de estmulos. [2]
Entonces, las RNA surgen debido a la necesidad de emular
el funcionamiento del cerebro humano, dentro de los beneficios
de utilizarlas encontramos:
Generalizacin: Capacidad para producir respuestas
razonables a estmulos no presentados durante su
entrenamiento.
Adaptabilidad: La red puede ser construida para
adaptar sus pesos sinpticos al medio ambiente
(reentrenar).
Robusta: Maneja de manera eficiente daos a su
estructura.
Complejidad: Puede capturar comportamiento
complejo que no es posible con mtodos tradicionales.
No Paramtrico: No realiza suposiciones a priori.
Fig. 4. Neurona artificial y su modelo matematico.
Entonces, para entender el funcionamiento de una RNA es
necesario modelar una neurona artificial, primero,
consideremos que cada dendrita tendr un peso sinptico wij,
cada neurona tendr un parmetro de bias bi y una funcin de
activacin f, y que los estmulos se consideran como vectores
xj, as, cuando se recibe un estmulo, es multiplicada por un peso
sinptico de la dendrita, luego se suman cada uno de estos
resultados, el estmulo es procesado en el ncleo mediante la
funcin de activacin, como lo muestra la siguiente ecuacin:
= ( + ) (1)
=1
La funcin de activacin f se utiliza con el fin de limitar el rango
de valores de la respuesta de la neurona segn la aplicacin as
como tambin el tipo de funcin de activacin a utilizar,
destacaremos a continuacin las ms utilizadas:
Informe diseo de un controlador adaptativo basado en redes neuronales para el control de direccin de un barco de la materia profundizacin en
automatizacin y control I, presentado para revisin el 15 de Diciembre de 2014. Jos Salazar, Estudiante de Ingeniera Electrnica, Universidad
de Nario, Pasto, Colombia. Presentado al Profesor Jhon Barco, Departamento de Electrnica, Universidad de Nario, Pasto, Colombia.
Escaln.
Lineal
Sigmoidal.
Tangente hiperblica.
Ahora, hablemos de la arquitectura de una red neuronal como
tal (figura 5), ya que definimos el modelo de una neurona
artificial, ahora entraremos a hablar de un red neuronal, que
como su nombre lo indica es una red compuesta por nodos de
neuronas artificiales, donde la comunicacin entre neuronas es
unidireccional, es decir de una neurona presinpatica a una
postsinpatica, dicha conexin entre neuronas tiene asociada un
peso el cual indica la importancia de esa conexin respecto a
las otras, si el peso es positivo la conexin es excitadora y si es
negativo es inhibidora. Lo ms usual es encontrar que las RNA
estn formadas por varias capas las cuales a su vez agrupan un
conjunto de neuronas, los nombres de las capas se denominan
segn la funcin que desempean, a continuacin definimos las
capas ms comunes:
Capa de entrada: Aqu las neuronas reciben los
datos.
Capas ocultas: Aqu se introducen grados de libertad
adicionales en la RNA, en esta capa se realiza gran
parte del procesamiento.
Capa de salida: Aqu se realiza parte del
procesamiento y se proporciona la respuesta de la red
neuronal yi.
Fig. 5. RNA tipo perceptron y su division por capas.
Otro criterio importante es el tipo de aprendizaje que se
utiliza, a continuacin mostraremos los ms utilizados:
Aprendizaje supervisado: Consiste en ajustar los
pesos para que la salida de la red sea lo ms parecida
a la salida deseada.
Aprendizaje no supervisado (autoorganizado):
Consiste en suministrar una serie de patrones de
entrada pero no se presenta una respuesta deseada,
entonces la RNA reconoce regularidades en los
patrones y estima una funcin de densidad de
probabilidad que describe la distribucin de
patrones x en el espacio de entrada Rn.
Aprendizaje hibrido: Es una mescla de los
 anteriores
Aprendizaje reforzado.
Para nuestro caso, nos centraremos en hablar en el aprendizaje
reforzado o reinforcement learning, el cual cuenta con
caractersticas del supervisado y del autoorganizado, no se
proporciona como tal una salida deseada sino que se le indica a
la red en cierta medida el error que comete, aunque es un error
global, este aprendizaje se limita a indicar si la respuesta es
correcta o incorrecta, se realiza bsicamente premiando a los
pesos sinpticos cuando se acierta la salida y penalizarlos
cuando no se acierta. [4]
Ya conociendo el mtodo que utilizaremos hablaremos sobre
el perceptor multicapa o MLP el cual es uno de los varios tipos
de redes neuronales que existen, este mtodo se basa en otra red
ms simple llamada perceptor simple (la informacin fluye
desde la capa de entrada hacia la capa de salida), es una red
unidireccional en donde las neuronas de la capa oculta usan
como regla de propagacin la suma ponderada de las entradas
con los pesos sinpticos y sobre una suma ponderada se aplica
una funcin de transferencia de tipo sigmoide, que es acotada
en respuesta. [4]
II. PROCEDIMIENTO
Primero se debe plantear el objetivo a cumplir, este consiste en
dirigir un barco, para esto se desea implementar un controlador
basado en RN, para lo cual se plante la siguiente problemtica
y posible solucin:
A. Problemtica Solucin.
Se cuenta con un barco el cual se mueve hacia adelante en la
direccin x (como se muestra en la figura 6), a una velocidad
nominal u, representa el Angulo de partida y representa la
respuesta del timn, se desea disear un sistema de control que
garantice que el barco siga un Angulo de entrada r, para esto
utilizaremos como salida a como Angulo del timn, ya que
mediante el movimiento del timn se puede seguir dicho valor,
adems, existen variables externas que afectan el desempeo de
la direccin del barco, entre estas podemos destacar que el
timn pierde eficiencia en velocidades bajas, los diferentes
pesos del barco para distintos viajes, que el viento puede estar
en contra del barco, las corrientes de agua que golpean al barco,
que el sensor que se utiliza proporciona ruido y que el timn
solo se puede mover 80.
Fig. 6. Problema de la direccionde un barco.
Informe diseo de un controlador adaptativo basado en redes neuronales para el control de direccin de un barco de la materia profundizacin en
automatizacin y control I, presentado para revisin el 15 de Diciembre de 2014. Jos Salazar, Estudiante de Ingeniera Electrnica, Universidad
de Nario, Pasto, Colombia. Presentado al Profesor Jhon Barco, Departamento de Electrnica, Universidad de Nario, Pasto, Colombia.
Ya conociendo el problema y el objetivo que debe cumplirse se
procede a realizar el diseo del controlador, para esto se realiza
un procedimiento que consiste en definir el modelo del barco
teniendo en cuenta el problema de regulacion de su partida,
luego se define la RN basada en MLP y configurando sus
valores de pesos y bias, y por ultimo se evalua como se
desarrolla el controlador en la tarea de dirigir el barco, toda la
seccion II y en adelante las que siguen se desarrollan en base al
libro Biomimicry for Optimization, control an automation de
KevinM. Passino, los problemas especificamente aparecen en
la seccion 4.3 y 9.4 de dicho libro. [5]
B. Modelo del barco
Para obtener el modelo del barco se tuvieron en cuenta las
siguientes consideraciones:
Dinmicas del barco obtenidas con leyes de Newton.
Movimiento del barco descrito por un sistema
coordenado.
Condiciones iniciales cero.
Se asume al barco bajo condiciones estables (ballast).
Se asume que nominalmente est viajando en la
direccin x a una velocidad u = 5m/s.
El tamao de paso ser h = 1 segundo.
Se asume = 10.
Primero se obtuvo el modelo del barco relacionado con la
ecuacin (2) pero este modelo no permite que el Angulo del
timn no exceda los 5, por lo que se pasa a definir un modelo
extendido para que pueda tomar valores mayores a 5 ya que
como mencionamos anteriormente el timn puede moverse
80, lo que en el caso de la ecuacin (2) hace que el sistema
sea ineficiente.
As, teniendo en cuenta el margen de movimiento del timn, se
obtiene el siguiente modelo extendido:
Con:
= ( ) = ( )
Mediante un experimento conocido como el test de la espiral
se realiza la siguiente aproximacin:
Ya teniendo el modelo del barco en versin extendida se
procede a convertir la ecuacin de n-esimo orden no lineal en
n ecuaciones de primer orden, esto se realiza mediante el
mtodo de Euler, de lo cual se resulta:

Adems, se tiene que:

Fig. 8. Perceptron multicapa.

Y que para facilitar el clculo se asumieron los siguientes
cambios de variables:
Para determinar los dems valores de los pesos y bias, se parte
de la idea de que en el perceptor de la figura 8 se divide el
procesamiento en dos, realizado en la parte superior del
perceptor y realizado en la parte inferior, por lo que entraremos
a construir los valores para la parte superior, luego se debe
considerar que estos valores afectan la forma de la onda de las
no linealidades de e a , de la siguiente manera:

Para la implementacin del sistema se calcula el periodo de b1, b1(3) mueve la figura de arriba abajo.
muestreo teniendo en cuenta la siguiente ecuacin: w11, w11
(3)
afectan la estaca vertical.
(2)
b1 mueven la funcin logistic horizontalmente, si
= = 101 = 10 b1(2) > 0, se mueve a la izquierda
(2)
w11 afecta la escala horizontal, es como una ganancia.
Este resultado quiere decir que una nueva planta de entrada es
calculada cada 10 segundos y aplicada al timn. Usando estas ideas se determinan los siguientes valores para los
pesos y bias:
C. Diseo del perceptor multicapa b1 = b1(3) = 0
w11 = 1
w11(3) = -80/180
b1(2) = -200/180
w11
(2)
= 10

Por lo que se obtiene la siguiente salida pensando solamente en

la parte superior del perceptor:
Fig. 7. Sistema de control

Para el diseo de la RNA, se utiliza el modelo del perceptor

multicapa, primero se define como entradas del perceptor como
el Angulo deseado r que es la referencia, y (esto se debe a
Con
que las entradas del MLP dependen de las variables que se
pueden censar del barco y se asume que esta es la nica que se
puede censar); y la salidas del controlador como el Angulo del
timn . Con estas variables escogidas, el sistema de control es
el que se ilustra en la figura 7. Una vez decidido el sistema se El procedimiento para la construccin de la parte inferior del
procede a disear el perceptor multicapa el cual se muestra en perceptor es similar a lo realizado anteriormente, los valores
la figura 8. Para ajustar los pesos y bias, pensemos en que a la que se obtienen son
salida de la primera capa obtendremos el error, as, asignamos
configuramos los siguientes parmetros para la primera capa, b2(3) = 80/180
w11 = 1, w21 = -1, y b1 = 0, para obtener el error e. w21 = 1
w22(3) = -80/180
= b2(2) = 200/180
w12
(2)
= 10

Informe diseo de un controlador adaptativo basado en redes neuronales para el control de direccin de un barco de la materia profundizacin en
automatizacin y control I, presentado para revisin el 15 de Diciembre de 2014. Jos Salazar, Estudiante de Ingeniera Electrnica, Universidad
de Nario, Pasto, Colombia. Presentado al Profesor Jhon Barco, Departamento de Electrnica, Universidad de Nario, Pasto, Colombia.
D. Sistema Adaptativo
El sistema de control diseado necesita de un ajuste de
parmetros por parte del usuario, la idea de realizar el sistema
adaptativo es con el fin de que el ajuste de los parmetros se
realice dinmicamente por parte del mismo sistema, por lo tanto
es necesario desarrollar una estrategia de aprendizaje reforzado,
el objetivo de esta funcin de reforzamiento es dicho ajuste
automtico, principalmente se basa en obtener la diferencia
entre el modelo deseado y la salida del sistema denotado como
ye, posteriormente se obtiene el cambio del error yc y se realiza
una funcin de refuerzo denominada Jr m sin embargo, cundo
los argumentos de esta funcin son pequeos, dicha salida
tendr valores cero. Las ecuaciones que rigen estas funciones
son:
Con,
As, ajustamos los valores de , , e y c a 0.005, 1, 1 y 20
respectivamente, as solo nos que el sistema sintonice los pesos
y bias segn la funcin de aprendizaje, entonces, los nuevos
valores de los pesos y bias dependern de su valor anterior
sumado con la funcin de refuerzo multiplicada por., por
ejemplo, sintonizaremos los bias segn la siguiente ecuacin:
En la anterior ecuacin podemos observar como los bias se
sintonizan dinmicamente con el sistema, este proceso se repite
para los pesos w, obtenindose as un sistema con un control
adaptativo para el control de la direccin de un barco segn un
modelo de referencia, tal como se ilustra en la figura siguiente.
Fig. 9. Sistema de control adaptativo
Informe diseo de un controlador adaptativo basado en redes neuronales para el control de direccin de un barco de la materia profundizacin en
automatizacin y control I, presentado para revisin el 15 de Diciembre de 2014. Jos Salazar, Estudiante de Ingeniera Electrnica, Universidad
de Nario, Pasto, Colombia. Presentado al Profesor Jhon Barco, Departamento de Electrnica, Universidad de Nario, Pasto, Colombia.
III. RESULTADOS
Para la simulacin y desarrollo de algoritmos se utiliza la
herramienta Matlab y su componente de simulink, a
continuacin se expondr los resultados obtenido del desarrollo
del procedimiento de la seccin II.
Fig. 10. Modelo del barco y su respuesta al escalon
Principalmente se implementa el modelo del barco y se
observa su respuesta de ante una entrada escaln, esto se
ilustra en la figura 10, como se puede observar, la respuesta del
sistema es inestable ya que no alcanza un valor por lo que la
idea de un controlador es factible para lograr nuestro objetivo
de controlar su direccin. Posteriormente se implementa
mediante mtodos computacionales un algoritmo que simule el
MLP, este se desarrolla en un script una funcin de Matlab a la
cual se denomina Radial_f_RNA y posteriormente se lo
configura en un bloque de simulink como se muestra en la
figura 11.
Fig. 11. Bloque M-file y la confiuracion de la function mediante el boton edit.
En la figura 11 podemos observar que como entradas del MLP
configurado en el bloque de simulink est el Angulo de
referencia y el angulo , internamente, la funcin
Radial_f_RNA contiene el diseo del perceptron de la seccin
IIC, aqu se han configurado los pesos y bias as como las
funciones de activacin y clculo del error. Para una mejor
disposicin del sistema se insertaron los modelos de la planta y
la funcin en subsistemas especficos denominados Tanker
Ship y Radial basis fuction, posteriormente se simula el
sistema en base a una entrada escaln, los resultados de la salida
, esto se puede apreciar en la figura 12.

Fig. 12. Sistema de control y su respuesta ante el Escalon.
Posteriormente se dise una planta de referencia, esta har las
veces de la referencia que entra al MLP, sea el , para el
diseo de esta planta se tuvo en cuenta que se desea una
respuesta crticamente amortiguada en el peor de los casos
sobreamortiguada, la planta diseada tiene la siguiente funcin
de transferencia y su respuesta al escaln se representa en la
figura 13.
0.006
() =
+ 0.006
Fig. 13. Modelo de referencia y su respuesta ante el Escalon.
Como se puede apreciar en la figura, la respuesta del sistema no
contiene oscilaciones por lo que es la adecuada para este caso,
una vez obtenida la planta se la utiliza como referencia para el
sistema de control, en la figura 14 se ilustran el sistema de
control final y su respuesta.
Fig. 14. Sistema de control final y su respuesta ante el Escalon.
Informe diseo de un controlador adaptativo basado en redes neuronales para el control de direccin de un barco de la materia profundizacin en
automatizacin y control I, presentado para revisin el 15 de Diciembre de 2014. Jos Salazar, Estudiante de Ingeniera Electrnica, Universidad
de Nario, Pasto, Colombia. Presentado al Profesor Jhon Barco, Departamento de Electrnica, Universidad de Nario, Pasto, Colombia.
Como podemos observar, la grfica de color amarillo representa
la seal de referencia, y la grfica de color violeta representa la
respuesta de la seal , podemos observar que no tiene
sobrepasos, tiene oscilaciones pero no presenta sobrepasos y
sigue la referencia, con error en estado estable cero, as
finalizamos el sistema de control para valores de entrada ,
con una respuesta de la cual sigue dicha entrada, en otras
palabras, se cumple el objetivo de control.
Ya se obtuvo el controlador final, as como un modelo de
referencia, ahora, es necesario realizar el ajuste de los
parmetros mediante mtodos adaptativos, para esto se carga la
funcin Reforcement_f en un nuevo bloque de simulink tal
como lo vimos en la figura 11, esta funcin contiene todo el
proceso que se describi en la seccin IID. El sistema de control
adaptativo se representa en la figura 15.
Fig. 15. Sistema de control final y su respuesta ante el Escalon.
Para el diseo del sistema fue necesario utilizar bloques de
memoria, ya que en el caso del cambio del error por ejemplo,
se necesitaba acceder a la posicin anterior, y as para los pesos
y bias donde tambin es necesario acceder a los valores
anteriores para ajustar los parmetros.
IV. CONCLUSIONES
Los sistemas de control inteligentes se encargan de simular
el comportamiento humano, su desempeo es adecuado y su
uso depende de la aplicacin.
Es importante tener un buen ajuste de los pesos y bias, ya que
de esto depende la conexin entre neuronas, es decir la
excitacin o inhibicin de una neurona depende de estos
parmetros.
En los sistemas de control basados en RNA, se pretende
mediante construir la funcin mediante neuronas como en el
caso del error del sistema.
 En las redes neuronales, un paso importante es el aprendizaje
de la red, ya que as se omiten ambigedades y se garantiza que
ante una misma entrada se obtenga una misma salida.

Las redes neuronales utilizan mtodos adaptativos para

ajustar sus pesos y bias mediante la premiacin o penalizacin
de estos ante respuestas correctas o incorrectas.

Para redes neuronales artificiales sin mtodos adaptativos es

necesario configurar los pesos y bias, pero en los mtodos
adaptativos no, por lo que son los ms ptimos para sistema en
los que se desea una calibracin dinmica de estos valores sin
necesidad de configurar un usuario.

REFERENCIAS
[1] Kuo B., Sistemas de control automtico. Sptima Edicin. Pretince Hall
[2] Villasana Minaya, Introduccin a las redes neuronales (Neurales).
[Digital]. Disponible en: http://prof.usb.ve/mvillasa/redes/Introduccion-
vl.pdf
[3] Apuntes: Profundizacin en automatizacin y control I, Udenar.
Profesor: Jon Barco.
[4] Palacios B. Francisco J., Redes Neuronales con GNU/Linux. [Digital].
Disponible en:
http://www.ibiblio.org/pub/linux/docs/LuCaS/Presentaciones/200304cur
so-glisa/redes_neuronales/curso-glisa-redes_neuronales-html/index.html
[5] KevinM. Passino. Biomimicry for Optimization, control an automation.

Informe diseo de un controlador adaptativo basado en redes neuronales para el control de direccin de un barco de la materia profundizacin en
automatizacin y control I, presentado para revisin el 15 de Diciembre de 2014. Jos Salazar, Estudiante de Ingeniera Electrnica, Universidad
de Nario, Pasto, Colombia. Presentado al Profesor Jhon Barco, Departamento de Electrnica, Universidad de Nario, Pasto, Colombia.