Control de un sistema de posicionamiento magnético de dos dimensiones usando aprendizaje profundo por refuerzo
Los sistemas de posicionamiento magnético son preferidos respecto a sus contrapartes mecánicas en aplicaciones que requieren posicionamiento de alta precisión como en el caso de la manufactura de circuitos integrados. Esto se debe a que los actuadores electrom...
| Autor Principal: | Bejar Espejo, Eduardo Alberto Martín |
|---|---|
| Formato: | Tesis de Maestría |
| Idioma: | Español |
| Publicado: |
Pontificia Universidad Católica del Perú
2018
|
| Materias: | |
| Acceso en línea: |
http://tesis.pucp.edu.pe/repositorio/handle/123456789/12934 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
Los sistemas de posicionamiento magnético son preferidos respecto a sus
contrapartes mecánicas en aplicaciones que requieren posicionamiento de alta
precisión como en el caso de la manufactura de circuitos integrados. Esto se debe a que los
actuadores electromagnéticos no sufren los efectos de la fricción seca o desgaste mecánico. Sin
embargo, estos sistemas poseen fuertes no linealidades que dificultan la tarea de control. Por otro
lado, el aprendizaje por refuerzo se ha posicionado como una técnica de entrenamiento de redes
neuronales prometedora que está permitiendo resolver varios problemas complejos. Por ejemplo, el
aprendizaje por refuerzo fue capaz de entrenar redes neuronales que han logrado vencer al campeón mundial de Go, derrotar a varios jugadores profesionales de ajedrez y aprender a jugar varios
videojuegos de la consola Atari. Asimismo, estas redes neuronales están permitiendo la
manipulación de objetos por brazos robóticos, un problema que era muy difícil de
resolver por medio de técnicas tradicionales. Por esta razón, el presente trabajo tiene como
objetivo diseñar un controlador neuronal entrenado por refuerzo para el control de un sistema de
posicionamiento magnético de dos dimensiones. Se utiliza una variación del algoritmo Deep
Deterministic Policy Gradient (DDPG) para el entrenamiento del controlador neuronal. Los
resultados obtenidos muestran que el controlador diseñado es capaz de alcanzar varios setpoints
asignados y de realizar el
seguimiento de una trayectoria dada. |
|---|