Resumen

Presentamos un método de diseño para un sistema de control de aprendizaje iterativo utilizando una red neuronal recurrente de salida (ORNN). Se emplean dos ORNN para diseñar la estructura de control de aprendizaje. La primera ORNN, denominada controlador neuronal recurrente de salida (ORNC), se utiliza como controlador iterativo de aprendizaje para alcanzar el objetivo de control de aprendizaje. Para garantizar la convergencia del error de aprendizaje, se requiere cierta información de la sensibilidad de la planta para diseñar una ley adaptativa adecuada para el ORNC. Por lo tanto, una segunda ORNN, que se denomina identificador neuronal recurrente de salida (ORNI), se utiliza como identificador para proporcionar la información requerida. Todos los pesos de ORNC y ORNI se sintonizarán durante la iteración de control y el proceso de identificación, respectivamente, con el fin de lograr un rendimiento de aprendizaje deseado. Las leyes adaptativas para los pesos de ORNC y ORNI y el análisis de los rendimientos de aprendizaje se determinan mediante un análisis similar al de Lyapunov. Se demuestra que el error de identificación convergerá asintóticamente a cero y el error de seguimiento de la salida repetitiva convergerá asintóticamente a cero, excepto el error de reajuste inicial.

• Materias:Automatización Control del proceso Sistemas no lineales Modelo lineal Regulación automática Diagnóstico de fallos
• Subjects:Automation Nonlinear systems Linear model Automatic regulation Fault diagnosis
• Palabras claves:ornc, orni, salida, sistema de control de aprendizaje iterativo, error de seguimiento de salida repetitivo, error de reajuste inicial, objetivo de control de aprendizaje, estructura de control de aprendizaje, controlador neuronal recurrente, identificador neuronal recurrente
• Keywords:ornc, orni, output, iterative learning control system, repetitive output tracking error, initial resetting error, learning control objective, learning control structure, recurrent neural controller, recurrent neural identifier