Neuronal control of a balanced system (inverted pendulum) in a logical programmable device
Copyright (c) 2017 INVESTIGACION E INNOVACION EN INGENIERIAS
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- Articles
- Submited: May 18, 2017
-
Published: May 22, 2017
Abstract
This paper presents the implementation of a neural network for controlling FeedFoward balance on two wheels system (inverted pendulum) in a Card Nexys 2 Digilent development containing a FPGA (Field Programmable Gate Array) XC3S500E. NNTool tool of Matlab was used for the creation, training and simulation of neural network. The neural algorithm is translated into a workable model in hardware, using block diagrams, using tools Simulink and Xilinx System Generator (XSG). The neural network validation is performed on a prototype of balance on two wheels, this system has an inertial measurement unit (IMU 6DOF-MPU 6050), which includes an accelerometer and three-axis gyroscope each and 2 geared motors with magnetic encoder , used as actuators.
References
- 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.
