1.
Red Neuronal
Feedforward
Todas las simulaciones se realizaron,
utilizando el toolbox de redes neuronales de Matlab©.
Para la primera simulación se utilizó
una red neuronal con una capa oculta y dos neuronas, como se muestra en la
siguiente imagen.
Como entrada a la red se utilizó el voltaje de armadura (Va), con la que se deseaba modelar el
comportamiento de la velocidad angular del motor (w).
Para la fase de entrenamiento de la red, se manejó el 70 % de
los datos, como algoritmo de entrenamiento se utilizó el de Levenberg-Marquardt. Para la fase de validación se utilizó el 15%
de los datos.
Como se puede ver en la siguiente figura, los resultados no
son adecuados sobre todo en la fase inicial (arranque del motor).
Resultados similares se obtuvieron al cambiar el algoritmo de
entrenamiento a Bayes Regularization
y con el Scaled Conjugate Gradient.
Progresivamente se aumentó el número de neuronas en la capa
oculta hasta llegar a un valor de 100, sin visualizar una mejora apreciable en
el comportamiento en la fase inicial; en la siguiente figura se muestra el
valor de. los errores cuadráticos medios (MSE),
El siguiente modelo involucró como entradas, además del
voltaje de armadura (Va), a la corriente
de armadura (Ia). En la figura se
muestra el resultado obtenido para este modelo, con dos neuronas en la capa
oculta.
Como se puede visualizar, aunque el error en la etapa estable
es pequeño, el modelo no alcanza a modelar el comportamiento en la fase de
arranque del motor, incidiendo este en el valor de los errores cuadráticos
medios (MSE),
Se realizaron simulaciones hasta con 100 neuronas en la capa
oculta; el mejor comportamiento se obtuvo para el modelo con 20 neuronas, sin embargo,
sigue este presentando el error en el arranque, comportamiento no aceptable para
el modelo; en la imagen se puede ver el resultado de los errores cuadráticos
medios (MSE).
Las Redes Neuronales feedforward
utilizadas no fueron apropiadas para modelar completamente el comportamiento
del motor DC; ya que estas fueron incapaces de reproducir el comportamiento en
el arranque del motor. Más allá del arranque, el modelado con redes neuronales
feedforward es bastante adecuado, si se incluyen como entrada al modelo el
voltaje y la corriente de armadura.
Este post está asociado a la secuencia:
- Modelo de motor DC,
- Modelo de motor DC en Simulink,
- Pruebas de Identificación de motor DC –Parte A: Simulación del motor
GT 2016 @ProyectoGio