La presente tesis desarrolla un regulador cuadrático gaussiano LQG con control neuronal para un prototipo cuadrocóptero. Se presentan el modelamiento directo, el cual involucran las ecuaciones diferenciales que gobiernan la dinámica de movimiento del cuadrocóptero y el modelamiento inverso, en donde el cuadrocóptero o sistema pasa por un proceso de identificación de sistema realizado por una red neuronal artificial basada en un modelo paramétrico. Luego, se entrena otra red neuronal que emula el comportamiento de un controlador óptimo que forma parte del regulador cuadrático gaussiano LQG. Este está compuesto por el controlador óptimo de estados llamado regulador cuadrático lineal y el estimador de estados óptimo, el filtro de Kalman. Debido a la complejidad de diseño del controlador y el estimador, estos se importan a manera de código. Ambos modelamientos se llevan al entorno Matlab y Simulink para poder realizar la simulación. Se compara tanto el modelamiento directo como el inverso ante distintas entradas de referencia. Esto se aprecia a través de la red neuronal que logra comportarse como el sistema y la red neuronal que emula al controlador, corroborando la aplicación de redes neuronales en el campo de teoría de control.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/12908 |
| Date | 20 October 2018 |
| Creators | Luna Rimayhuamán, Alberto Pablo |
| Contributors | Jiménez Motte, Fernando |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/bachelorThesis |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/closedAccess |
Page generated in 0.0021 seconds