Control de sistemas mecánicos usando compensación neuronal.

Abstract

Este trabajo de investigación describe el diseño de controladores neuronales aplicados a sistemas mecánicos. Se considera que el modelo dinámico del sistema es desconocido. Estos controladores neuronales son de la clase de \aprendizaje durante el proceso", por lo tanto, los pesos de las redes neuronales se actualizan en tiempo real por medio de leyes de adaptación de pesos. Las redes neuronales usadas en los controladores son del tipo perceptrón de dos capas, la estructura del controlador neuronal tiene un par de términos no lineal proporcional-derivativo (PD) en un lazo de retroalimentación, una red neuronal en un lazo de precompensación y un término de robustez, que ayuda a mejorar el desempeño del controlador. Las funciones de activación usadas en las redes neuronales son funciones tangente hiperbólicas. En esta tesis, un controlador neuronal diseñado para el control de movimiento de brazos manipuladores se implementó en dos mecanismos completamente actuados: un mecanismo de dos grados de libertad planar y un sistema electromecánico de un grado de libertad. También, se diseñaron controladores neuronales que fueron implementados en dos mecanismos subactuados: el péndulo de Furuta y el péndulo de rueda inercial. Para derivar estos controladores neuronales se utllizó la técnica de linealización por retroalimentación de salida. Se demuestra que los errores articulares de posición y velocidad del sistema de lazo cerrado son uniformemente acotados en forma última usando el controlador neuronal para el péndulo de Furuta, mientras que el controlador neuronal aplicado al péndulo de rueda inercial demostró que el error articular de posición del péndulo en lazo cerrado converge a cero. Se demuestra que en los tres controladores neuronales propuestos los pesos de las redes neuronales permanecen uniformemente acotados. Se realizaron simulaciones, y experimentos en tiempo real. Los resultados experimentales confirman la teoría presentada en esta tesis y bajo la cual se realizaron los diseños de los controladores neuronales. __________________________________

This research describes the design of neural controllers applied to mechanical systems. It is considered that the dynamic model of the system is fully unknown. Neural networks controllers are of the class \on-line learning", therefore, the weights of the neural networks are updated in real-time through weight adaptation laws. Two-layer neural networks of type perceptron were used in the proposed controllers. The structure of the neural controller has a nonlinear proportional-derivative (PD) control action in a feedback loop, a neural network in a feedforward loop and a robustifying term that helps to improve the performance of the controller. The activation functions used in neural networks are tangent hyperbolic functions. In this thesis, a neural controller designed for controlling movement of manipulator robots was implemented in two fully actuated mechanisms: a planar manipulator arm of two degrees of freedom and an electromechanical system of one degree of freedom. Also, neuronal controllers were designed and implemented in two underactuated mechanisms: the Furuta pendulum and inertial wheel pendulum. To derive these neural controllers, output feedback linearization technique was used. We proved that the joint position and velocity errors of the closed-loop system are ultimately uniformly bounded by using the neuronal network controller for the Furuta pendulum, while for neural controller applied to the inertial wheel pendulum we showed that the pendulum error position converges to zero. We proved that in the three proposed neural controllers, the weights of neural networks remain uniformly bounded. Simulations and experiments in real time were performed. The experimental results confirm the theory upon which the design of neural controllers are based.