Control neurodifuso de un péndulo invertido rotacional
DOI:
https://doi.org/10.71701/75pvye53Palabras clave:
Péndulo invertido rotacional, controlador neurodifuso, aprendizaje híbrido, LQRResumen
En este artículo, se presenta el diseño de un controlador neurodifuso para el péndulo invertido rotacional, el cual integra las ventajas del conocimiento de un usuario experto, con las habilidades adaptativas de una red neuronal. El sistema es diseñado para el control de los dos grados de libertad del péndulo, es decir, ángulo del péndulo y ángulo de la plataforma. Este péndulo invertido rotacional, al ser un sistema subactuado, está controlado únicamente por un motor DC a su vez conectado a un microcontrolador Arduino. Para lograr el control, fue implementado un sistema neurodifuso, compuesto por dos módulos que usan las cuatro principales variables del sistema (los dos ángulos y sus variaciones), para luego ser éste entrenado usando aprendizaje por método híbrido. Para complementar el controlador, se unió este con un método de amoldamiento de energía para realizar el «swing-up» (balanceo vertical) del péndulo. El controlador fue implementado y comparado con un regulador lineal cuadrático tradicional (LQR), demostrando tener un desempeño similar a este último. La ventaja principal radica en la fácil adaptación del controlador ante variaciones del sistema.
Descargas
Referencias
Agrawal, R., y Mitra, R. (2013). Adaptive Neuro Fuzzy Inference Structure Controller for Rotary Inverted Pendulum. Proceedings of International Conference on Advances in Computing. Springer: New Delhi,
1163-1170.
Åström, K., y Furuta, K. (1996). Swinging up a pendulum by energy control. IFAC Proceedings volumes. 29(1), 1919-1924.
Furuta, K., Yamakita, M., y Kobayashi, S. (1992). Swing-up control of inverted pendulum using pseudostate feedback. Journal of Systems and Control Engineering. 206(49), 263–269.
Grossimon, P., Barbieri, E., y Drakunov, S. (1996). Sliding mode control of an inverted pendulum. Proceedings of 28th Southeastern Symposium on System Theory, Baton Rouge, Los Angeles, 248-252.
Jang, J. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems Man and Cybernetics. 23, 665-685.
Moreno-Valenzuela, J., Aguilar-Avelar, C., PugaGuzmán, S., y Santibáñez, V. (2016) Adaptive Neural Network Control for the Trajectory Tracking of the Furuta Pendulum. IEEE Transactions on Cybernetics. 46(12), 3439-3452.
Rani, M., Selamat, H., Zamzuri, H., Ahmad, F. (2011). PID controller optimization for a rotational inverted pendulum using genetic algorithm. Fourth International Conference on Modeling, Simulation and Applied Optimization, Kuala Lumpur, 1-6.
Siva, M., Dasu, B., y Ramesh, G. (1995). Design of LQR based stabilizer for rotary inverted pendulum system. IJCTA. 9 (29), 21-29.
Tanaka, S., Xin, X., y Yamasaki, T. (2001). New results of energy based swing-up control for a rotational pendulum. SICE Journal of control, measurement, and system integration. 4 (6), 394-400.
Descargas
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.