Control Neuroborroso en Red. Aplicación al Proceso de Taladrado de Alto Rendimiento

Agustín Gajate, Rodolfo E. Haber

Resumen

Este trabajo muestra el diseño y la implementación de un sistema neuroborroso para el modelado y control en red de un proceso de taladrado de alto rendimiento. El sistema neuroborroso considerado en este estudio es el conocido como Adaptive Network based Fuzzy Inference System (ANFIS), en el que las reglas borrosas se obtienen a partir de datos entrada/salida. Para el diseño del sistema de control se ha elegido el paradigma del control por modelo interno. Los resultados obtenidos son positivos tanto en la simulación como en la aplicación al control en red de la fuerza de corte. Desde el punto de vista técnico, se aumenta la tasa de arranque de material y al mismo tiempo se garantiza un aprovechamiento efectivo de la vida útil de la herramienta de corte. Este buen comportamiento del sistema de control neuroborroso basado en control por modelo interno se ha verificado por medio de varias cifras de mérito.

Palabras clave

sistemas neuroborrosos; control por modelo interno; control en red; taladrado de alto rendimiento

Texto completo:

PDF

Referencias

Babuska, R. and H. Verbruggen (2003). Neuro-fuzzy methods for nonlinear system identification, Annual Reviews in Control, 27 I, 73-85.

Carotenuto, R. (2001). Iterative system inversion technique, International Journal of Adaptive Control and Signal Processing, 15, 85-91.

Dash, P. K., S. K. Panda, T. H. Lee, J. X. Xu and A. Routray (1997), Fuzzy and neural controllers for dynamic systems: An overview, paper presented at Proceedings of the International Conference on Power Electronics and Drive Systems, IEEE, Singapore, Singapore.

Del Toro, R., M. Schmittdiel, R. Haber-Guerra and R. HaberHaber (2007), System identification of the high performance drilling process for network-based control, in Proc. of ASME IDETC 2007: 21st. Biennial Conference on Mechanical Vibration and Noise (VIB), edited, Las Vegas, NV, USA.

Denai, M. A., F. Palis and A. Zeghbib (2007). Modeling and control of non-linear systems using soft computing techniques, Applied Soft Computing Journal, 7, 728-738.

Goodwin, G. C., S. E. Graebe and M. E. Salgado (2001), Control System Design, 567-582 pp., Prentice Hall, New Jersey, USA.

Haber-Haber, R., R. Haber, M. Schmittdiel and R. M. del Toro (2007). A classic solution for the control of a highperformance drilling process, International Journal of Machine Tools and Manufacture, 47, 2290-2297.

Haber, R. E. and J. R. Alique (2004). Nonlinear internal model control using neural networks: An application for machining processes, Neural Computing and Applications, 13, 47-55.

Haber, R. E., J. R. Alique, A. Alique and R. H. Haber (2005). Controlling a complex electromechanical process on the basis of a neurofuzzy approach, Future Generation Computer Systems, 21, 1083-1095.

Jang, J.-S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics, 23, 665-685.

Kambhampati, C., R. J. Craddock, M. Tham and K. Warwick (2000). Inverse model control using recurrent networks, Mathematics and Computers in Simulation, 51, 181-199.

Kasabov, N. K. (1996). Learning fuzzy rules and approximate reasoning in fuzzy neural networks and hybrid systems, Fuzzy Sets and Systems, 82, 135-149.

Kim, J. and N. Kasabov (1999). HyFIS: Adaptive neuro-fuzzy inference systems and their application to nonlinear dynamical systems, Neural Networks, 12, 1301-1319.

Lee, K. C., S. Lee and M. H. Lee (2003). Remote fuzzy logic control of networked control system via profibus-DP, IEEE Transactions on Industrial Electronics, 50, 784-792.

Saludes, S. and M. J. Fuente (2007). Fault-tolerant nonlinear IMC control, RIAI: Revista Iberoamericana de Automática e Informática Industrial, 4, 52-63.

Song, Q. and N. Kasabov (2006). TWNFI - a transductive neurofuzzy inference system with weighted data normalization for personalized modeling, Neural Networks, 19, 1591- 1596.

Vieira, J., F. M. Dias and A. Mota (2004). Artificial neural networks and neuro-fuzzy systems for modelling and controlling real systems: A comparative study, Engineering Applications of Artificial Intelligence, 17, 265-273.

Vitturi, S. (2004). Stochastic model of the profibus DP cycle time, IEE Proc.-Sci. Meas. Technol., 151, 335-342.

Abstract Views

371
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912