DISEÑO E IMPLEMENTACIÓN DE UN NEUROCONTROLADOR APLICADO A UN SERVOSISTEMA NO LINEAL
|
|
- José Luis de la Fuente Sosa
- hace 7 años
- Vistas:
Transcripción
1 TECNIA,Vol 8 N 03, págs.11-17, 1999 Universidad Nacional de Ingeniería Lima - Perú DISEÑO E IMPLEMENTACIÓN DE UN NEUROCONTROLADOR APLICADO A UN SERVOSISTEMA NO LINEAL Arturo Rojas-Moreno, arojas@uni.edu.pe Claudia Córdova-Yamauchi, cgcy@rocketmail.com Instituto de Automática e Inteligencia Artificial Universidad Nacional de Ingeniería, Lima - Perú ABSTRACT El objetivo de este trabajo, es controlar la velocidad angular de un motor con carga simétrica, utilizando una red neuronal multicapa. Para realizarlo, se adaptó el método de entrenamiento con h óptimo al algoritmo de retropropagación a través de la planta. El error se trasladó utilizando una aproximación del jacobiano, y el h variable se optimizó linealizando la red alrededor de la matriz de pesos en cada iteración; es decir, se consideró sólo el primer término de la expansión de Taylor de las derivadas de las salidas de las capas. Palabras clave: Redes Neuronales, Control adaptivo, Control Inteligente, Tasa de aprendizaje óptimo. 1 INTRODUCCIÓN Normalmente se considera a los sistemas dinámicos, como entes cuyo comportamiento obedece simplemente las leyes de la física. Desde una perspectiva distinta, puede considerarse a estos sistemas como entes procesadores de información; es decir, la forma en la que ellos obtienen y utilizan la información, determina el modo en que se comportan. Desde esta última perspectiva, surgen los nuevos enfoques de la inteligencia artificial aplicados al control: los sistemas expertos, los conjuntos difusos, las redes neuronales, los algoritmos genéticos, etc. Todos ellos han sido inspirados por alguna característica del procesamiento de información inteligente en los sistemas biológicos. Por eso son útiles particularmente en los procesos que no tienen una representacion matemática concisa y satisfactoria como son los casos de reconocimiento de patrones, visión robótica, control motor, procesos industriales complejos, y en general, tareas con alta exigencia perceptiva; tareas, que coincidentemente, los seres biológicos ejecutan aparentemente sin esfuerzo. Las redes neuronales han sido utilizadas en control por su capacidad de aproximar cualquier transformación no lineal mensurable, según lo
2 demuestra el teorema de Kolmogorov. Entonces se puede entrenar a una red neuronal para identificar o controlar procesos dinámicos, sobre todo aquellos particularmente ruidosos o con parámetros variables. En este trabajo se usa directamente una red neuronal para controlar la velocidad angular de un motor DC. El sistema mostrado en la Fig.1 está conformado por: 2 DESCRIPCIÓN DEL SISTEMA Un motor Pittman de imán permanente con reducción de velocidad interna, de aproximadamente 350 RPM con encoder óptico incorporado. Una carga simétrica con su respectivo adaptador al eje del motor. Un amplificador que alimenta al motor, conformado por el amplificador de potencia propiamente dicho y el generador de PWM. Un driver que recibe los datos de la posición del motor por un bus de cuatro entradas y que va conectado a la tarjeta Lab PC+. Una PC Pentium de 100 MHz. Una tarjeta Lab PC+ de adquisición de datos y envío de la señal de control instalada en la PC (de ella se utilizan tres contadores, dos salidas analógicas y tres puertos de entrada-salida para el control). Y finalmente el controlador que es un programa en C++ ejecutándose en la computadora. La frecuencia de muestreo empleada es de 250 Hertz. Figure 1: Esquema del sistema El objetivo es el control de velocidad, se debe lograr que la velocidad angular w(k) de la carga siga una trayectoria w d (k) deseada:
3 Para el sistema no lineal del servomotor sin carga se tiene la ecuación discretizada siguiente: donde: tabla.gif (13150 bytes) La función f(w(k)) representa la fricción de Coulomb y la fricción estática que constituyen las nolinealidades del sistema con carga simétrica. 3 ESQUEMA DE CONTROL Y ARQUITECTURA DE APRENDIZAJE 3.1 Esquema de control Un esquema general de control se muestra en la Fig.2, los controladores feedback (de retroalimentación), feedforward (por adelanto) y el prefiltro se pueden implementar con redes neuronales multicapa. El controlador feedforward se adapta para compensar las características de la planta que son descubiertas durante el aprendizaje. Cuando el error se vuelve pequeño, el entrenamiento ha sido completado y sólo una pequeña parte del error es necesaria para compensar incertidumbres aleatorias que son impredecibles y, por lo tanto, imposibles de aprender. Una consecuencia inmediata del uso del controlador feedforward, es que acelera la respuesta del sistema [4]. El controlador feedforward diseñado, consiste en una red de tres capas; la primera
4 capa oculta tiene 8 neuronas, la segunda 6 neuronas y como se trata de un sistema SISO (Single-Input-Single- Output), tanto las capa de entrada como la de salida tienen una neurona cada una. 3.2 Arquitectura de aprendizaje Figure 2: Esquema general de un sistema de control. En el diseño de un neurocontrolador, el método más popular de entrenamiento es el algoritmo de retropropagación del error, y existen dos mecanismos para su aplicación: el aprendizaje general y el aprendizaje especializado [6]. En el aprendizaje general, la red es entrenada off-line. Para los patrones de entrenamiento presentados, la salida de la planta es considerada como la entrada de la red neuronal. De modo similar, los patrones de entrenamiento a la entrada de la planta son considerados como la salida deseada de la red. Presentando los datos de esta manera y aplicando el algoritmo de retropropagación, la red aprende la dinámica inversa de la planta. De ese modo, si a la red se le presenta una salida deseada o una trayectoria (un conjunto de salidas deseadas), dicha red dará en sus salidas la señal de control necesaria para seguir la referencia. Ver Fig.3. Figure 3: Arquitctura de aprendizaje general.
5 Aunque este método fue bastante utilizado en control, presenta algunas desventajas; por ejemplo, depende mucho de la habilidad de la red para generalizar. Si se le da una trayectoria muy alejada de las que se usaron en su entrenamiento, probablemente no responderá con la eficacia adecuada. Entonces la red deberá ser entrenada en un amplio rango operacional, quizá mayor del necesario. Por otro lado, mientras la red esté entrenándose, no podrá ser usada. Figure 4: Arquitectura de aprendizaje especializado. Sin embargo, con el otro método, cuya arquitectura se muestra en la Fig.4, la red se entrena on-line con la evaluación directa de su desempeño con respecto a la salida deseada de la planta. En la figura se observa que con esta arquitectura, la red aprende específicamente en las regiones de interés. Notar que se coloca la red directamente en la posición de controlador, y como no se conoce la señal de control necesaria para obtener el error a retropropagar, el error que se utilizará será el resultante de la comparación entre la salida de la planta y la salida deseada. Luego este error se retropropagará a través de la planta [4]. Este procedimiento requiere el conocimiento del jacobiano de la planta y hay varias técnicas para encontrarlo: estimándolo en línea, identificándolo con otra red neuronal o aproximándolo como se ha procedido a hacer en este trabajo. Psaltis et.al. [4] proponen la idea de combinar estos dos enfoques, empleando el aprendizaje generalizado para hacer que el controlador aprenda la dinámica inversa del sistema. Cuando lo ha logrado con la precisión requerida, los pesos conseguidos los mantiene como los pesos iniciales para el controlador feedforward. Del mismo modo se obtuvieron los pesos iniciales de la red. 4 RETROPROPRAGACIÓN A TRAVÉS DE LA PLANTA En el algoritmo de retropropagación, los pesos conectados en la última capa pueden ser ajustados directamente con el error a la salida y el índice de desempeño. Luego, los errores son retropropagados y los pesos ajustados capa por capa en orden inverso, desde la capa de salida hasta la capa de entrada. Este proceso se repite lote por lote si el entrenamiento es por lotes off-line, o patrón por patrón, si es on-line.
6 El error calculado en cada instante de tiempo k es: Figura 5: La red en posición de controlador. Si se cambia w(k) por y(k) (velocidad angular) para evitar confusiones con los pesos y u b por u j (voltaje de entrada) para normalizar la notación del algoritmo, se tiene La planta es SISO; entonces la última capa está formada por una sola neurona j. En este caso se tendrá una función de activación lineal (a diferencia de las otras capas que tienen sigmoides), porque los valores de salida de la red deben fluctuar entre -1.4 y 1.4 que son los límites del driver a la entrada del motor. Los pesos se actualizan con la regla delta: de acuerdo a la regla de la cadena: donde los últimos dos factores son j (v j (k)) (derivada de la función de activación) y u i (k) (salida de la neurona anterior), respectivamente. En cuanto al primer factor, es allí donde se necesita el jacobiano:
7 Reemplazando (7) y (8) en (6): Con el método de Jordan [6] el jacobiano se obtiene por retropropagación a través de una red neuronal adicional que identifica a la planta. Saerens y Soquet [6] lo aproximan por su signo; es decir, cuando y(k) crece con u j (k), entonces y(k+1) / u j (k)» + 1, o -1 en el caso contrario, y demuestran además que la razón de convergencia del algoritmo no se altera sensiblemente con respecto a los valores del jacobiano. Con el método de Broyden se hace una estimación por diferencias. En el experimento con el motor, se observa que el comportamiento de la velocidad angular de la carga con respecto al voltaje de entrada es creciente y con una pendiente aproximada de J= para velocidades negativas y de J= para velocidades positivas (el signo indica el sentido del giro). Estos valores se tomaron como aproximaciones del jacobiano. Finalmente para la capa de salida la ecuación queda: donde j es una neurona en la capa de salida. Para las capas ocultas no hay variación en la ecuación [1]. donde: d p (k) es el gradiente local de la neurona siguiente, y j es un neurona en una capa oculta.
8 5 RAZÓN DE APRENDIZAJE ÓPTIMO Uno de los puntos críticos en la aplicación del algoritmo de retropropagación es la elección del h o razón de aprendizaje. Un h pequeño conducirá a la red lentamente en su búsqueda del mínimo; un h mayor acelerará el proceso. Pero si es demasiado grande, puede causar oscilaciones que no conseguiran ningún aprendizaje. El proceso de actualización de pesos, con W siendo la matriz de pesos, es representado por: puede ser visto como un problema de optimización de una sola variable. Pero debido a la no linealidad de las funciones de activación que constituyen parte de la estructura de la red, una derivación analítica de h es muy difícil, por eso la mayoría de las aplicaciones fija a h en un valor constante entre 0 y 1. Sin embargo, hay métodos que intentan una solución. Por ejemplo, los de segundo orden que utilizan información del gradiente de segundo orden, pero que exigen gran capacidad de cálculo, o los métodos heurísticos, o los métodos con inclusión del momentum, etc. Para este trabajo se ha elegido un método basado en la linealización de la red neuronal alrededor de W(k) en cada iteración, que fue desarrollado por Kandil et.al.[2]. Esta técnica, con unos cálculos y consideraciones ligeramente distintas, permite acceder a los términos de mayor orden del error, empleando expresiones que en su mayoría ya habían tenido que ser calculadas antes por la red. Para compactar la presentación, se adoptará la notación matricial-vectorial, en la Fig.6 se puede apreciar mayor detalle. Figure 6: Red neuronal con la notación introducida En la gráfica, Wb, Wa y Wy son las matrices de los pesos de las dos capas ocultas y la de salida; Bb, Ba y By son los vectores de los umbrales de las capas respectivas. Las ecuaciones correspondientes al algoritmo son:
9 Notar que en la Fig.6 OY es la salida de la planta que corresponde a la entrada Oy, entonces, la variación de OY será: donde J representa la aproximación del jacobiano de la planta Reemplazando las ecuaciones (13) (14) (15) y (16) en (17) queda: Operando y simplificando obtenemos:
10 donde: El error entonces queda representado por: Luego: Para determinar el valor óptimo de h que minimiza E k+1 se usan las condiciones de primer y segundo orden Entonces el h óptimo será: Cuando se hicieron los ensayos, se encontró que el primer valor de h era un poco grande y provocaba un pico alto al inicio. Se probaron algunos valores y el que mejor se comportó fue: 6 RESULTADOS EXPERIMENTALES En la Fig.7 se muestra el comportamiento deseado de la velocidad de la planta y el comportamiento obtenido en un experimento de 8 segundos de duración. La red tarda 200 ms. para seguir a w d (k), pero luego se adapta bien, como se ve en la gráfica. Incluso en las partes más difíciles, como son los cruces por cero, la red se separa muy poco de w d (k).
11 Figure 7: Velocidades angulares versus el número de muestras. Las 2000 muestras equivalen a 8 segundos La señal de control proporcionada por la red neuronal se muestra en la Fig.8. Se observa que la señal está dentro de los límites +1.4 y -1.4 voltios. Como medida de precaución, se dispone en el programa de control de una rutina que limita el voltaje de entrada al driver cuando la red exige voltajes mayores. Figure 8: Señal de control versus el número de muestras.
12 Figure 9: Error versus el número de muestras. En la Fig.9 se muestra el error en cada iteración. El error cuadrático medio (ecm) es calculado con la ecuación (27) y resultó donde n es el número total de muestras. 7 CONCLUSIONES Y TRABAJOS FUTUROS Se observa que el método aplicado es útil en el control de la velocidad del motor, aún cuando la red controladora es pequeña y el tiempo de ensayo corto. Se ha demostrado entonces que la realización on-line del control empleando una sola red neuronal ha sido satisfactoria.. En este trabajo se utilizó el control feedforward. Sin embargo, para compensar incertidumbres aleatorias que son impredecibles y por lo tanto imposibles de aprender, es necesario realizar adicionalmente la etapa de control por realimentación que se muestra en la Fig.2. Esta realización se encuentra en desarrollo. Por otra parte, también se está trabajando para controlar la posición del motor expuesto a cargas no lineales empleando la estimación on-line del jacobiano.
13 REFERENCIAS [1] Simon Haykin, Neural networks. A comprehensive foundation, Macmillan College Publishing Company, Inc. Englewood Cliffs, NJ, [2] N. Kandil, K. Khorasani, R.V. Patel y V.K. Sood, Optimum learning rate for backpropagation neural networks, articulo de 1993 publicado en Foundation of Neural Networks editado por Patrick K. Simpson. IEEE Press, New York 1996 [3] Kumpati Narendra and Kannan Parthasarathy, Identification and control of dynamical systems using neural networks, IEEE Transactions on Neural Networks, Vol. 1, No.1, March 1990, pp [4] Demetri Psaltis, Athanasios Sideris and Alan Yamamura, A multilayered neural network controller, IEEE Control Systems Magazine, Vol. 8, No. 2, April 1988, pp [5] Eric Ronco and Peter Gawthrop Neural networks for modelling and control, Centre for System and Control. Department of Mechanical Engineering. University of Glasgow. Technical Report : csc97008, November [6] M. Saerens y A. Soquet Neural controller based on back-propagation algorithm IEE Proceedings-F, Vol. 138, No.1, February 1991, pp Para mayores referencias diríjase a la siguiente dirección igi@uni.edu.pe
CONTROL DE SERVO SISTEMAS NO LINEALES USANDO REDES NEURONALES
TECNIA,Vol 8 N 03, págs.11-17, 1999 Universidad Nacional de Ingeniería Lima - Perú CONTROL DE SERVO SISTEMAS NO LINEALES USANDO REDES NEURONALES Luis A. Ponce Dioses, Arturo Rojas Moreno (Asesor) E-mail:
Más detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detalles3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesControl de Nivel a través de Redes Neuronales
Noviembre 26 y 27, 9. Veracruz, Veracruz. Control de Nivel a través de Redes Neuronales Garrido Meléndez Javier, Reyna Guerra Pablo, Vázuez Briones Manuel y García Sosa Alfonso Universidad Tecnológica
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesTUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB MARIA ISABEL ACOSTA BUITRAGO CAMILO ALFONSO ZULUAGA MUÑOZ UNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesCONTROL PREDICTIVO GENERALIZADO PARA SISTEMAS NO LINEALES UTILIZANDO UNA NEURONA DIFUSA RECURRENTE
ISSN:169257 Volumen 1 1 1- ISSN:1692-7257 2003 Volumen 1 No 3-2004 CONTROL PREDICTIVO GENERALIZADO PARA SISTEMAS NO LINEALES UTILIZANDO UNA NEURONA DIFUSA RECURRENTE EDMARY ALTAMIRANDA* 1 ELIEZER COLINA
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesDISEÑO Y CONSTRUCCIÓN DE UN ROBOT CARTESIANO DE 3 GRADOS DE LIBERTAD
DISEÑO Y CONSTRUCCIÓN DE UN ROBOT CARTESIANO DE 3 GRADOS DE LIBERTAD Juan Zuluaga Gómez 1,2,4, Edgar Arcos, Msc 2,3, Julie Berrio, Msc 2,3, Sergio Corredor 2 1 Optimización de procesos con nanotecnología
Más detallesRed Neuronal para el Reconocimiento de Patrones
Conferencia Taller Sistemas Neuro borrosos 26 de abril de 2017 Red Neuronal para el Reconocimiento de Patrones Juan Carlos Alvarado Pérez juan.alvarado@aunar.edu.co Facultad de Ingeniería Programa de ingeniería
Más detallesControl Neuronal por Modelo Inverso de un Servosistema Usando Algoritmos de Aprendizaje Levenberg-Marquardt y Bayesiano.
Control neuronal por modelo inverso de un servosistema usando algoritmos de aprendizaje Levenberg-Marquardt y Bayesiano. Victor A. Rodriguez-Toro, Jaime. Garzón, Jesús A. López. VIII Congreso de la Asociación
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesCONTROL DE UNA GRÚA PÓRTICO MEDIANTE REDES NEURONALES
CONTROL DE UNA GRÚA PÓRTICO MEDIANTE REDES NEURONALES Alejandro Fernández Villaverde Dpto. de Ingeniería de Sistemas y Automática E.T.S.I.I. - Universidade de Vigo Campus Universitario As Lagoas-Marcosende.
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesPractica No. 5 CONTROL DE SISTEMAS NO LINEALES POR REALIMENTACION DE ESTADOS
Practica No. 5 CONTROL DE SISTEMAS NO LINEALES POR REALIMENTACION DE ESTADOS Pontificia Universidad Javeriana Facultad de Ingeniería Departamento de Electrónica Laboratorio de Control 1. Introducción En
Más detallesPROGRAMA DE CURSO. Personal Modela, analiza y controla procesos dinámicos.
PROGRAMA DE CURSO Código Nombre IQ5307 Dinámica y Control de Procesos Nombre en Inglés Process Dynamics and Control SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Más detalles[ANEXO 4] AJUSTE DE REGULADORES DE TURBINAS HIDRÁULICAS CON TÉCNICAS DE ESTIMACIÓN DE PARÁMETROS [13]
[ANEXO 4] AJUSTE DE REGULADORES DE TURBINAS HIDRÁULICAS CON TÉCNICAS DE ESTIMACIÓN DE PARÁMETROS [13] Este método se aplica al ajuste de los reguladores de un regulador digital de turbinas hidráulicas.
Más detallesControl Inteligente De Un Reactor Químico
Inteligente De Un Reactor Químico Juan F. Marulanda, Martha G. Barco y Jesús A. López. Grupo de Percepción y Sistemas Inteligentes. Universidad del Valle. Cali, Valle, Colombia. juanfemarula@gmail.com,
Más detallesReducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
Más detallesRedes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesDiseño de un controlador adaptativo neuronal usando Filtro Kalman Por: Diego Fernando Cano *
Diseño de un controlador adaptativo neuronal usando Filtro Kalman Por: Diego Fernando Cano * Introducción 71 Resumen El control, basado en modelo de referencia (MRAS), ha tenido gran acogida en los últimos
Más detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesResumen. Este trabajo se divide principalmente en 2 partes:
DISEÑO DE UNA RED NEURONAL RECURRENTE MEDIANTE LA UTILIZACIÓN DE BLOQUES DSP CON XILINX SYSTEM GENERATOR, IMPLEMENTADA EN TIEMPO REAL EN DISPOSITIVOS RECONFIGURABLES Resumen Juan J. Raygoza P, Susana Ortega
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesEl sistema a identificar es el conjunto motor eléctrico-freno siguiente:
Sistema a identificar El sistema a identificar es el conjunto motor eléctrico-freno siguiente: Relación entrada-salida Las variables de entrada-salida a considerar para la identificación del sistema es
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detallesImplementación de Hardware / Software para Control Difuso
Implementación de Hardware / Software para Control Difuso M. en C. Romeo Urbieta Parrazales M. en C. Pablo Manrique Ramírez Ing. Antonio Hernández Zavala; Profesores del CIC-IPN e-mail: rurbieta@cic.ipn.mx
Más detallesANEXO A DESCRIPCIÓN DE LAS FUNCIONES UTILIZADAS EN MATLAB
333 ANEXO A DESCRIPCIÓN DE LAS FUNCIONES UTILIZADAS EN MATLAB 1. Red tipo Perceptrón: Las siguientes son las herramientas de redes neuronales del Matlab 5.3: utilizadas en el entrenamiento de las redes
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesDiseño de reguladores PID.
Universidad Carlos III de Madrid Departamento de Ingeniería de Sistemas y Automática Área de Ingeniería de Sistemas y Automática SEÑALES Y SISTEMAS Práctica 3 Diseño de reguladores PID. 1 Introducción
Más detalles1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO
Capítulo 1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO INTRODUCCIÓN 1.1. INTRODUCCIÓN Las técnicas de filtrado adaptativo han sido aplicadas con éxito a los sistemas de antenas adaptativas, a problemas
Más detallesPREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES
PREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES Guillermo MOLERO CASTILLO - g.moleroc@gmail.com Maestría en Ingeniería de la Computación, Universidad Nacional Autónoma de México
Más detallesAnálisis de Datos. Perceptrón multicapa. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Perceptrón multicapa Profesor: Dr. Wilfrido Gómez Flores 1 Introducción De acuerdo con el consejo de la IEEE Neural Networks de 1996, inteligencia artificial (IA) es el estudio de cómo
Más detallesPlan 95 Adecuado. DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS.
Plan 95 Adecuado ASIGNATURA: INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL CODIGO: 95-0488 DEPARTAMENTO: ELECTRÓNICA CLASE: Electiva de Especialidad. ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO:
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesRedes Neuronales. Parte II. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte II Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS
Más detallesProyecto Final - Reconocimiento de Patrones
Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario
Más detallesSistema de Desarrollo de Redes Neuronales Celulares
Sistema de Desarrollo de Redes Neuronales Celulares PRESENTA: ING. JOSÉ DE JESÚS MORALES ROMERO DIRECTORES DE TESIS: DR. FELIPE GÓMEZ CASTAÑEDA DR. JOSÉ ANTONIO MORENO CADENAS Contenido Objetivos Antecedentes
Más detallesCONSTRUCCIÓN DE UN BRAZO ROBOT PARA SERVIR DE PLATAFORMA DE APRENDIZAJE
CONSTRUCCIÓN DE UN BRAZO ROBOT PARA SERVIR DE PLATAFORMA DE APRENDIZAJE 1. Introducción Cadena, A. 1 ; Cortéz, D. 2 1. Centro de Visión y Robótica, 2. FIEC {acadena, dcortez}@fiec.espol.edu.ec En el presente
Más detallesRedes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detalles4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR
4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR Los sistemas de E/S quedan determinados por su función de transferencia, que puede expresarse como una función temporal (respuesta impulsional) o
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detallesRedes neuronales. Conceptos fundamentales y modelos
Redes neuronales Conceptos fundamentales y modelos 2 Contenido Introduccion La neurona biologica Modelo de una neurona Arquitecturas de las redes: Redes feedforward Arquitecturas de las redes: Redes recurrentes
Más detallesEstabilización Inteligente de Sistemas Eléctricos de Potencia (Parte II)
ANEXO AL INFORME DEL PROYECTO INDIVIDUAL ESTABILIZACIÓN INTELIGENTE DE SISTEMAS ELÉCTRICOS DE POTENCIA (Parte II). CLAVE CGPI: 20071307 DIRECTOR: M. en C. FRANCISCO JAVIER VILLANUEVA MAGAÑA. I. RESUMEN.
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Perceptron Parte I Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández Hernández Agustín Hernández Espinoza
Más detallesControl de las ruedas delanteras de robots móviles
40 Control de las ruedas delanteras de robots móviles Fausto Rodrigo Freire Carrera Resumen Para un control preciso de robots móviles es indispensable crear modelos matemáticos que permitan emular la dinámica
Más detallesUnidad I Análisis de Sistemas Realimentados
Prof. Gerardo Torres - gerardotorres@ula.ve - Cubículo 003 Departamento de Circuitos y Medidas de la Escuela de Ingeniería Eléctrica de la Universidad de Los Andes Unidad I Análisis de Sistemas Realimentados
Más detallesNeural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 07/08 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Más detallesCAPÍTULO 3 ETAPA ELECTRÓNICA. 3.1 Introducción
CAPÍTULO ETAPA ELECTRÓNICA En este capítulo se presenta el estudio de la conmutación en el sentido de los motores de corriente continua, así como la naturaleza de las señales que proceden de los sensores..
Más detallesMaría Gabriela Vintimilla Sarmiento Darwin Alulema
Desarrollo e Implementación de una Aplicación que Traduzca el Abecedario y los Números del uno al diez del Lenguaje de Señas a Texto para Ayuda de Discapacitados Auditivos Mediante Dispositivos Móviles
Más detallesControl Automático I - Ejercicios C3
Control Automático I - Ejercicios C3 21 de Junio 2016 1. Arquitecturas en Control SISO 1.1. 100 Para la planta con modelo nominal G 0 (s) =, se desea lograr: s 2 +14s+100 Inverso perfecto de la planta
Más detallesCONCLUSIONES. Los motores DC de imán permanente con escobillas son máquinas
51 CONCLUSIONES Los motores DC de imán permanente con escobillas son máquinas electromecánicas de características y composición relativa sencillez con un campo de aplicación muy amplio en la actualidad.
Más detallesV. Espinoza a, R. Venegas b,s. Floody c.
paper ID: A027 /p.1 Modelo de Sonoridad usando Redes Neuronales Artificiales V. Espinoza a, R. Venegas b,s. Floody c. a Universidad Tecnológica de Chile, Brown Norte 290, Santiago, Chile, vespinozac@gmail.com
Más detallesRedes Neuronales Cooperativas para el Control de un Robot Autónomo
Redes Neuronales Cooperativas para el Control de un Robot Autónomo Oscar Luis Ruíz Bernal, Saúl Martínez Díaz División de Estudios de Posgrado e Investigación, Instituto Tecnológico de La Paz rboscar7@yahoo.com,
Más detalleselementos que posteriormente linearicen las señales.
107 3.6 Inversión requerida 3.6.1 Selección de equipos Es recomendable que en la selección de las características de los componentes se tomen en cuenta las características de linealidad de sus señales
Más detallesSistema de Detección de Intrusos para ataques Cross-Site Scripting
Sistema de Detección de Intrusos para ataques Cross-Site Scripting García Ramírez Israel & Fonseca Casao Sergio Israel Directores: M. en C. Ramírez Morales Mario Augusto & M. en C. Saucedo Delgado Rafael
Más detallesCIRCUITO DERIVADOR COMPONENTES
CIRCUITO DERIVADOR El Circuito Derivador realiza la operación matemática de derivación, de modo que la salida de este circuito es proporcional a la derivada en el tiempo de la señal de entrada. En otras
Más detallesCarrera : Academia de Sistemas y Computación. a) RELACIÓN CON OTRAS ASIGNATURAS DEL PLAN DE ESTUDIOS ASIGNATURAS TEMAS ASIGNATURAS TEMAS
1.- IDENTIFICACION DE LA ASIGNATURA Nombre de la asignatura : Carrera : Aplicaciones Avanzadas de los Sistemas Computacionales Ingeniería en Sistemas Computacionales Clave de la asignatura : Horas teoría-horas
Más detallesPractica No. 2 MODELADO DE UN MOTOR DC. Pontificia Universidad Javeriana Facultad de Ingeniería Departamento de Electrónica Laboratorio de Control
Practica No. 2 MODELADO DE UN MOTOR DC Pontificia Universidad Javeriana Facultad de Ingeniería Departamento de Electrónica Laboratorio de Control 1. Introducción En esta práctica se realiza la formulación
Más detallesCiencia en su PC ISSN: Centro de Información y Gestión Tecnológica de Santiago de Cuba. Cuba
Ciencia en su PC ISSN: 7-887 cpc@megacen.ciges.inf.cu Centro de Información y Gestión Tecnológica de Santiago de Cuba Cuba Chang-Mumañ, Francisco; Mazaira-Morales, Israel CONTROL DE UN SERVOMOTOR DE CD.
Más detallesOTRAS CONSIDERACIONES. Introducción a las Redes Neuronales Artificiales
OTRAS CONSIDERACIONES! Estrategias para generalización Existen diversas estrategias para mejorar la generalización: 1) Teoría de Regularización: Agregar una penalidad para lograr mejorar la forma de la
Más detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesCONTROL VECTORIAL DE MÁQUINAS ASÍNCRONAS. Raúl Choque Sandoval
CONTROL VECTORIAL DE MÁQUINAS ASÍNCRONAS Raúl Choque Sandoval INTRODUCCIÓN Por qué controlar un motor eléctrico? Motor de inducción versus motor DC. Técnicas de control utilizadas en los motores de inducción.
Más detallesControl PID. Sintonización e implementación
Control PID. Sintonización e implementación Elizabeth Villota Cerna Curso: Ingeniería de Control (MT221) Facultad de Ingeniería Mecánica UNI-FIM Julio 2012 1 Control PID Control PID una de las formas más
Más detallesClasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales
Clasificación de Datos de Olor de Café provenientes de una Nariz Electrónica Utilizando Redes Neuronales Cruz Teresa Rosales Hernández 1 y Orion Fausto Reyes Galaviz 2 Universidad Autónoma de Tlaxcala-
Más detallesArquitectura de un Controlador Electrónico de Procesos
Arquitectura de un Controlador Electrónico de Procesos Unidad Central de Procesamiento (CPU) La unidad central de procesamiento es el elemento más importante de un controlador electrónico de procesos.
Más detallesIntroducción a los Sistemas de Control
Introducción a los Sistemas de Control Organización de la presentación - Introducción a la teoría de control y su utilidad - Ejemplo simple: modelado de un motor de continua que mueve una cinta transportadora.
Más detallesSchmeigel Nicolas. Marzo 2014
Transformada de Laplace: Intercambiador de calor Schmeigel Nicolas Estudiante de Ingeniería en Sistemas de Computación Universidad Nacional del Sur, Avda. Alem 1253, B8000CPB Bahía Blanca, Argentina nicoschmeigel@gmail.com
Más detallesOBJETIVOS. Proveer información general acerca de MT describir la estructura del curso, método de evaluación, aspectos
MT 227C: Clase 01-01 Introducción a la realimentación y control ELIZABETH VILLOTA CERNA 02 SEPTIEMBRE 2009 OBJETIVOS Proveer información general acerca de MT 227 - describir la estructura del curso, método
Más detallesCALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
Más detallesPlan 95 Adecuado DEPARTAMENTO: ELECTRÓNICA CLASE: ELECTIVA ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO: 64 HS.
Plan 95 Adecuado ASIGNATURA: APLICACIONES DE LA INTELIGENCIA ARTIFICIAL CODIGO: 95-0492 DEPARTAMENTO: ELECTRÓNICA CLASE: ELECTIVA ÁREA: SISTEMAS DE CONTROL HORAS SEM.: 4 HS. HORAS / AÑO: 64 HS. Fundamentación:
Más detallesDra. Ma. del Pilar Gómez Gil
C6-69 Tópicos Avanzados: Redes Neuronales Artificiales Neurodinámica: Las Redes de Hopfield Dra. Ma. del Pilar Gómez Gil V:4--7 P. Gómez Gil. INAOE (c) 7 Neurodinámica Se refiere al estudio de RNA vistas
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesESTUDIO COMPARATIVO DE ESQUEMAS DE CONTROL INTELIGENTE APLICADO A UN TANQUE CON AGITANCION CONTINUA
ESTUDIO COMPARATIVO DE ESQUEMAS DE CONTROL INTELIGENTE APLICADO A UN TANQUE CON AGITANCION CONTINUA Mario A. Muñoz, Eduardo F. Caicedo, Jesús A. López Grupo de Investigación en Percepción y Sistemas Inteligentes
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
1. Información General UNIVERSIDD DISTRITL FRNCISCO JOSÉ DE CLDS UNIVERSIDD DISTRITL Francisco José de Caldas Facultad Tecnológica Tecnología en Sistemas Eléctricos de media y baja tensión articulado por
Más detallesPlataforma Mecánica y Sistema Motriz
Bogota D.C Febrero de 26 Plataforma Mecánica y Sistema Motriz dcmidscrum9@gmail.com Descripción General Del Robot El insecto hexápodo, robot de propósito general, diseñado principalmente para exploración
Más detallesMT 227 Introducción a la realimentación y control. Elizabeth Villota
MT 227 Introducción a la realimentación y control Elizabeth Villota 1 Objetivos Proveer información general acerca de MT 227 - describir la estructura del curso, método de evaluación, aspectos administrativos,
Más detallesIlustración 1. Esquema del test de confirmación de capacidad.
Título: Diseño e implementación de un emulador de fuentes de corriente continua a partir de un convertidor DC/DC Autores: Luis Alfonso Fernández Serantes Tutores: José Luis Calvo Rolle, Raúl Estrada Vázquez
Más detallesUnidad V Respuesta de los sistemas de control
Unidad V Respuesta de los sistemas de control MC Nicolás Quiroz Hernández Un controlador automático compara el valor real de la salida de una planta con la entrada de referencia (el valor deseado), determina
Más detallesPractica No. 4 CONTOL DE POSICION - CONTROL DIGITAL
Practica No. 4 CONTOL DE POSICION - CONTROL DIGITAL Pontificia Universidad Javeriana Facultad de Ingeniería Departamento de Electrónica Laboratorio de Control. Introducción En esta práctica se realiza
Más detallesIA con RARS. Miguel Ángel Herranz Trillo Juan Ramón Martín Blanco. Práctica Final de IRC
Práctica Final de IRC Introducción a RARS RARS (Robot Auto Racing Simulator) Simulador de carreras de coches de código abierto. Útil como entorno para experimentación en inteligencia artificial. Física
Más detallesCAPÍTULO 4: ALGORITMOS DE APRENDIZAJE
Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:
Más detallesMODELADO Y CONTROL DINAMICO DE UN MANIPULADOR ROBOTICO CARTESIANO DE 3 GRADOS DE LIBERTAD
MODELADO Y CONTROL DINAMICO DE UN MANIPULADOR ROBOTICO CARTESIANO DE 3 GRADOS DE LIBERTAD DYNAMIC MODELING AND CONTROL OF A CARTESIAN ROBOTIC MANIPULATOR OF 3 DOF Raúl Martínez Juárez Richar Suni Llanos
Más detalles4. Control Vectorial. 1. Modelo dinámico del motor de inducción. 2. Control vectorial del motor de inducción. 3. Control vectorial Directo
4. Control Vectorial Control de Máquinas Eléctricas Primavera 2009 1. Modelo dinámico del motor de inducción 2. Control vectorial del motor de inducción 3. Control vectorial Directo 4. Control vectorial
Más detalles