IDENTIFICACIN DE MODELOS DINMICOS NO LINEALES CON ALGORITMOS GENTICOS - PowerPoint PPT Presentation

1 / 22
About This Presentation
Title:

IDENTIFICACIN DE MODELOS DINMICOS NO LINEALES CON ALGORITMOS GENTICOS

Description:

Para los sistemas supuestos lineales existen m ltiples m todos ... Sanchos, J. Identification of continuous processes parameters using genetic algorithms. ... – PowerPoint PPT presentation

Number of Views:152
Avg rating:3.0/5.0
Slides: 23
Provided by: Mae60
Category:

less

Transcript and Presenter's Notes

Title: IDENTIFICACIN DE MODELOS DINMICOS NO LINEALES CON ALGORITMOS GENTICOS


1
IDENTIFICACIÓN DE MODELOS DINÁMICOS NO LINEALES
CON ALGORITMOS GENÉTICOS
  • Cesar Cadena
  • Asesor PhD. Alain Gauthier

2
OBJETIVO
  • Identificación por Algoritmos Genéticos de
    parámetros no medibles en el modelo dinámico de
    un dirigible.

3
CONSIDERACIONES
  • La identificación es la operación de extracción
    del modelo matemático de un sistema dinámico a
    partir de la medición de sus salidas a unas
    entradas conocidas.
  • Para los sistemas supuestos lineales existen
    múltiples métodos analíticos para la
    identificación de los parámetros que intervienen
    en el modelo.
  • Los sistemas con múltiples entradas y múltiples
    salidas (MIMO), aún siendo lineales, aumentan la
    complejidad del proceso de identificación del
    modelo.

4
CONSIDERACIONES
  • La flexibilidad de la optimización por algoritmos
    genéticos permite la identificación de parámetros
    de modelos no lineales de sistemas MIMO
    planteando como función objetivo un tipo de error
    entre las salidas del sistema real y las salidas
    del modelo dado por cada cromosoma.
  • Una de las principales ventajas es que cualquier
    tipo de entrada puede ser utilizada, claro está,
    tratando siempre de excitar todos los modos del
    sistema a identificar.
  • Otra ventaja del proceso de identificación por
    algoritmos genéticos es que se puede incluir el
    conocimiento que ya se tiene del modelo matemático

5
(No Transcript)
6
EL DIRIGIBLE
7
MODELO DINÁMICO
8
IDENTIFICACIÓN POR AGs
Función Objetivo
Mono-Objetivo
Multi-Objetivo
K muestras de vuelo
9
IDENTIFICACIÓN POR AGs
Entradas Reales
10
IDENTIFICACIÓN POR AGs
Primeros Resultados
  • No convergen en validación.
  • Para rescatar
  • Multi Objetivo Se encuentran parámetros más
    rápido que hacen que el sistema
    converja.
  • Mono Objetivo Hace decrecer de manera más
    rápida el error.

11
IDENTIFICACIÓN POR AGs
Modificaciones
También se modifican un poco las funciones
objetivo dependiendo del sub-cromosoma con el
que se trabaja.
12
IDENTIFICACIÓN POR AGs
Resultados
13
Ángulos en Validación
18hr 30min. 44seg.
14
Posiciones en Validación
19hr 32min. 47seg.
15
Alternante en Validación
17hr 54min. 5seg.
16
IDENTIFICACIÓN POR AGs
Características del ruido
Ruido debido Precisión de los instrumentos de
medición. Velocidad y dirección del
viento. Vibraciones debidas a los motores y al
viento.
17
Conclusiones
  • El mayor consumo computacional en los algoritmos
    aplicados se debieron a las simulaciones de cada
    individuo más no al proceso de selección natural.
  • Los Algoritmos Genéticos ofrecen ventajas en la
    identificación de sistemas no lineales de tipo
    MIMO manejando la gran cantidad de variables pero
    se debe tener un espacio de búsqueda muy bien
    acotado.
  • La minimización multi-objetivo nos ha permitido
    encontrar soluciones que estabilizan el sistema
    de manera tal que se pueden utilizar como
    semillas de la minimización mono-objetivo.

18
Referencias
  • Hygounenc, E. Modélisation et commande dun
    dirigeable pour le vol autonome. Thèse, rapport
    LAAS No. 035502, 2003.
  • Tesis doctoral en curso.
  • Patiño, M.C. Diseño de un sistema de control de
    vuelo de un blimp (vehículo aéreo). Tesis de
    Maestría en Ingeniería Electrónica, Universidad
    de Los Andes, 2004.
  • Patiño, D.A. Fusión sensórica y simulación para
    el direccionamiento de un dirigible. Tesis de
    Maestría en Ingeniería Electrónica, Universidad
    de Los Andes, 2004.
  • Munk, M.M. Some tables of the factor of apparent
    additional mass. Technical notes nacional
    advisory comité for aeronautics, NACA technical
    report No 197, 1924.

19
Referencias
  • Herrero, J.M., Blasco, X., Martínez, M. Sanchos,
    J. Identification of continuous processes
    parameters using genetic algorithms. Proceedings
    of the 10th Mediterranean Conference on Control
    and Automation - MED2002. Lisbon, Portugal, July
    9-12, 2002.
  • Merelo, J.J. Informática evolutiva Algoritmos
    Genéticos. http//geneura.ugr.es/jmerelo/ie/ags.h
    tm.
  • Marczyk, A. Algoritmos genéticos y computación
    evolutiva. http//the-geek.org/docs/algen/. 2004.
  • Zak, S.H. Systems and control. Oxford University
    Press, 2003.
  • Savaresi, S.M., Bittanti, S., Montiglio, M.,
    Identi?cation of semi-physical and black-box
    non-linear models the case of MR-dampers for
    vehicles control. Automatica. 2005 (41)113-27.
  • Haupt, R.L., Haupt, S.E., Practical Genetic
    Algorithms. John Wiley Sons, Inc., 2nd Ed.,
    2004.

20
MODELO DINÁMICO
21
MODELO DINÁMICO
22
IDENTIFICACIÓN POR AGs
Para comparar
Write a Comment
User Comments (0)
About PowerShow.com