Título :	Identificación no lineal del péndulo invertido sobre carro móvil
Autor(es):	Luis Mario Lizarraga Orozco
Palabras clave:	Identificación Artificial neural network Identification Nonlinear system Red neuronal artificial Sistema no lineal
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	sep-2013
Facultad:	Facultad de Ingeniería
Programa académico:	Maestría en Ciencias
Resumen:	Esta investigación concierne con la aplicación de diferentes tipos de redes neuronales artificiales (RNAs) para la identificación del modelo no lineal de un péndulo invertido simple sobre un carro móvil (PISC). Se muestra que una red neuronal polinomial es más eficiente en cuestiones de aproximación que una red neuronal prealimentada con estructura de perceptrón multicapa (MLP). Para soportar la afirmación anterior se identificó el modelo no lineal del PISC tanto en simulación como en un prototipo de laboratorio. Las redes que se utilizaron en este trabajo fueron: una red no lineal autoregresiva con entrada externa (NARX) prealimentada con estructura de MLP y con algoritmo de retropropagación (BP) para la actualización de pesos, una red con polinomio de Volterra como función base (VPBF) y una red con polinomio de Chebyshev como función base (CBF). Se desarrolló un algoritmo compacto para implementar una red neuronal en el cuál se puede utilizar cualquier polinomio como función base sin necesidad de adecuar, adaptar o crear un algoritmo específico para cada uno. Los tres tipos de red neuronal se entrenaron durante 60 segundos utilizando el error entre la salida del modelo y la salida estimada por la red. Las redes se validaron fijando los pesos finales del entrenamiento y aplicándose a otros 15 segundos de datos diferentes a los de entrenamiento. Las redes polinomiales mostraron un mejor desempeño en comparación con la red multicapa prealimentada, tanto con los datos de simulación como con los datos del prototipo experimental. Mediante los resultados de un diseño experimental se muestra el desempeño superior de las redes neuronales polinomiales. This research is concerned with the application of different kinds of artificial neural networks (ANNs) for identification of the nonlinear model of a single inverted pendulum on a moving cart (SIPC). It is shown that a polynomial neural network is more efficient on approximation issues than a feedforward neural network with multilayer perceptron (MLP) structure. To support the latter, the nonlinear model of a SIPC, on simulation an on a laboratory prototype, was identified. The neural networks used in this work were: a nonlinear autoregressive with exogenous input (NARX) feedforward with MLP structure and backpropagation (BP) algorithm for weights update network, a Volterra polynomial as basis function (VPBF) network and a Chebyshev polynomial as basis function (CBF) network. A compact algorithm for neural network implementation was develop, in this algorithm every polynomial as basis function can be used without the necessity of adjusting, adapting or creating an specific for each one. The three kinds of neural network were trained over 60 seconds using the error between the model¿s actual output and the network¿s estimated output. The networks were validated by fixing the final training weights and applying to them (the networks) to another 15 seconds of data, different from the training data. The polynomial networks showed a better performance in comparison with the feedforward multilayer network, with both simulation and prototype data. The efficiency of polynomial networks was proved through the results of a design of experiments.
URI:	http://ri-ng.uaq.mx/handle/123456789/337
Aparece en:	Maestría en Ciencias

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.