Control neuronal de un sistema de equilibrio (péndulo invertido) en dispositivos lógicos programables
DOI:
https://doi.org/10.17081/invinno.4.2.2488Palabras clave:
RNA, Péndulo invertido, Xilinx System Generator, NNTool, MPU - 6050Resumen
Este trabajo presenta la implementación de una Red Neuronal FeedFoward para el control de equilibrio de un sistema sobre dos ruedas (péndulo invertido), en una tarjeta de desarrollo Nexys 2 de Digilent, que contiene una FPGA (Field Programmable Gate Array) XC3S500E. La herramienta utilizada para la creación, entrenamiento y simulación de la red neuronal fue la NNTool de Matlab. El algoritmo neuronal fue traducido a un modelo realizable en hardware, mediante diagramas de bloques, desarrollados con las herramientas Simulink y Xilinx System Generator (XSG). La validación de la red neuronal se realiza en un prototipo de equilibrio sobre dos ruedas. Este sistema tiene una unidad de medida inercial (IMU 6dof- MPU 6050), que incluyen un acelerómetro y un giroscopio de tres ejes cada uno, y 2 motorreductores con encoder magnético, utilizados como actuadores.
Citas
M. Santos. “Un enfoque aplicado del control inteligente”, Revista Iberoamericana de Automática e Informática industrial, vol. 8 p. 283–296, 2011.
D. Matich. Redes neuronales: conceptos básicos y aplicaciones. Argentina: Universidad Tecnológica Nacional. Grupo de investigación aplicada a la ingeniería química (GIAIQ). Rosario, 2011.
H. Vega. Tesis doctoral Redes neuronales para el reconocimiento de la calidad morfológica de mangos exportables para la empresa Biofruit del Perú S.A.C. Universidad nacional Federico Villarreal. Lima. Perú, 2011.
R. Salas. Redes neuronales artificiales. Universidad de Valparaíso. Departamento de computación, 2010.
J. Medina, Ferreira J., y O. Gualdron,“Redes neuronales recurrentes en dispositivos lógicos programables para el control de desplazamiento de un robot móvil”, Revista Colombiana de Tecnologías de Avanzada, vol. 1, 2009.
A. Ramos, P. Sanchez, J. Ferrer, Barquin J., y P. Linares. Modelos matemáticos de optimización. Universidad pontificia de Madrid, Escuela técnica superior de ingeniería, 2010.
A. Nacelle, Las redes neuronales: de la biología a los algoritmos de clasificación. Universidad de la república. Montevideo. Uruguay: Núcleo de ingeniería biomédica, 2009.
National Instruments. Introducción a la tecnología fpga: los cinco beneficios principales, 2004. Disponible: http://zone.ni.com/derzone/cda/tut/p/id/8289.
M. Valencia, L. Sanchez., y Y. Cornelio. Algoritmo Backpropagation para Redes Neuronales: conceptos y aplicaciones. México DF: Instituto politécnico nacional centro de investigación en computación, 2006.
A. Hernández, M. Legaspi., y J. Pelaez. Control inteligente del péndulo invertido. Madrid: Universidad Complutense de Madrid, 2012.
D. Melo y R. Molina. Desarrollo de un sistema de control de equilibrio para un móvil con dos ruedas de apoyo ubicadas lateralmente ‘’Robox 1.0’’. Universidad Pedagógica Nacional- Bogotá D.C., 2011.
J. Medina. Metodología para la implementación de redes neuronales en dispositivos lógicos programables aplicadas en el control de desplazamiento de un robot móvil. Universidad de Pamplona. Departamento de maestría y doctorados, 2009.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2017 INVESTIGACION E INNOVACION EN INGENIERIAS
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
