covid
Buscar en
Revista Iberoamericana de Automática e Informática Industrial RIAI
Toda la web
Inicio Revista Iberoamericana de Automática e Informática Industrial RIAI Control Neuroborroso en Red. Aplicación al Proceso de Taladrado de Alto Rendimi...
Journal Information
Vol. 6. Issue 1.
Pages 31-38 (January 2009)
Share
Share
Download PDF
More article options
Vol. 6. Issue 1.
Pages 31-38 (January 2009)
Open Access
Control Neuroborroso en Red. Aplicación al Proceso de Taladrado de Alto Rendimiento
Visits
3022
Agustín Gajate, Rodolfo E. Haber
Instituto de Automática Industrial (CSIC) Carretera de Campo Real km. 0,200, Arganda del Rey, 28500, Madrid, España
This item has received

Under a Creative Commons license
Article information
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
Full text is only aviable in PDF
Referencias
[Babuska and Verbruggen, 2003]
R. Babuska, H. Verbruggen.
Neuro-fuzzy methods for nonlinear system identification.
Annual Reviews in Control, 27 (2003), pp. 73-85
[Carotenuto, 2001]
R. Carotenuto.
Iterative system inversion technique.
International Journal of Adaptive Control and Signal Processing, 15 (2001), pp. 85-91
[Dash et al., 1997]
P.K. Dash, S.K. Panda, T.H. Lee, J.X. Xu, A. Routray.
Fuzzy and neural controllers for dynamic systems.
An overview, paper presented at Proceedings of the International Conference on Power Electronics and Drive Systems,
[Del Toro et al., 2007]
R. Del Toro, M. Schmittdiel, R. Haber-Guerra, R. Haber-Haber.
System identification of the high performance drilling process for network-based control.
Proc. of ASME IDETC 2007: 21st. Biennial Conference on Mechanical Vibration and Noise (VIB), Las Vegas, (2007),
[Denai et al., 2007]
M.A. Denai, F. Palis, A. Zeghbib.
Modeling and control of non-linear systems using soft computing techniques.
Applied Soft Computing Journal, 7 (2007), pp. 728-738
[Goodwin et al., 2001]
G.C. Goodwin, S.E. Graebe, M.E. Salgado.
Control System Design.
Prentice Hall, (2001),
[Haber-Haber et al., 2007]
R. Haber-Haber, R. Haber, M. Schmittdiel, R.M. del Toro.
A classic solution for the control of a highperformance drilling process.
International Journal of Machine Tools and Manufacture, 47 (2007), pp. 2290-2297
[Haber and Alique, 2004]
R.E. Haber, J.R. Alique.
Nonlinear internal model control using neural networks: An application for machining processes.
Neural Computing and Applications, 13 (2004), pp. 47-55
[Haber et al., 2005]
R.E. Haber, J.R. Alique, A. Alique, R.H. Haber.
Controlling a complex electromechanical process on the basis of a neurofuzzy approach.
Future Generation Computer Systems, 21 (2005), pp. 1083-1095
[Jang, 1993]
J.-S.R. Jang.
ANFIS: adaptive-network-based fuzzy inference system.
IEEE Transactions on Systems, Man and Cybernetics, 23 (1993), pp. 665-685
[Kambhampati et al., 2000]
C. Kambhampati, R.J. Craddock, M. Tham, K. Warwick.
Inverse model control using recurrent networks.
Mathematics and Computers in Simulation, 51 (2000), pp. 181-199
[Kasabov, 1996]
N.K. Kasabov.
Learning fuzzy rules and approximate reasoning in fuzzy neural networks and hybrid systems.
Fuzzy Sets and Systems, 82 (1996), pp. 135-149
[Kim, 1999]
J. Kim, N. Kasabov.
HyFIS: Adaptive neuro-fuzzy inference systems and their application to nonlinear dynamical systems.
Neural Networks, 12 (1999), pp. 1301-1319
[Lee et al., 2003]
K.C. Lee, S. Lee, M.H. Lee.
Remote fuzzy logic control of networked control system via profibus-DP.
IEEE Transactions on Industrial Electronics, 50 (2003), pp. 784-792
[Saludes and Fuente, 2007]
S. Saludes, M.J. Fuente.
Fault-tolerant nonlinear IMC control.
RIAI: Revista Iberoamericana de Automática e Informática Industrial, 4 (2007), pp. 52-63
[Song, 2006]
Q. Song, N. Kasabov.
TWNFI - a transductive neurofuzzy inference system with weighted data normalization for personalized modeling.
Neural Networks, 19 (2006), pp. 1591-1596
[Vieira and Dias, 2004]
J. Vieira, F.M. Dias, A. Mota.
Artificial neural networks and neuro-fuzzy systems for modelling and controlling real systems: A comparative study.
Engineering Applications of Artificial Intelligence, 17 (2004), pp. 265-273
[Vitturi, 2004]
S. Vitturi.
Stochastic model of the profibus DP cycle time.
IEE Proc.Sci. Meas. Technol., 151 (2004), pp. 335-342
Copyright © 2009. Elsevier España, S.L.. Todos los derechos reservados
Download PDF
Article options