Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal
En este artículo se propone un Controlador Predictivo Neuronal (ANN-MPC) para controlar un sistema no lineal de tanque cuádruple, el cual es complejo de controlar debido a la no linealidad de sus válvulas y a la interacción entre sus variables controladas. Además, el problema se agrava ya que el pro...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Spanish |
| Published: |
Universitat Politècnica de València
2022-09-01
|
| Series: | Revista Iberoamericana de Automática e Informática Industrial RIAI |
| Subjects: | |
| Online Access: | https://polipapers.upv.es/index.php/RIAI/article/view/17375 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1846092777837821952 |
|---|---|
| author | Elmer José Oliden Semino William Ipanaqué Alama |
| author_facet | Elmer José Oliden Semino William Ipanaqué Alama |
| author_sort | Elmer |
| collection | DOAJ |
| description | En este artículo se propone un Controlador Predictivo Neuronal (ANN-MPC) para controlar un sistema no lineal de tanque cuádruple, el cual es complejo de controlar debido a la no linealidad de sus válvulas y a la interacción entre sus variables controladas. Además, el problema se agrava ya que el proceso presenta una respuesta transitoria con dinámica inversa por estar en fase no mínima. El ANN-MPC emplea una estructura modular de red neuronal artificial y el algoritmo de entrenamiento Levenberg-Marquardt para estimar con mayor precisión y rapidez las salidas del proceso no lineal y evitar el sobreajuste del modelo. Se generaron datos operativos a partir de la planta para entrenar la red neuronal empleando Matlab. Se probó el rendimiento del ANN-MPC ante cambios de referencia y se comparó con un MPC lineal y un MPC no lineal. Los resultados de simulación mostraron que el ANN-MPC produjo un menor tiempo de establecimiento que el MPC lineal y generó valores RMSE de las salidas similares a los del NMPC. Además, se redujo el tiempo de cómputo requerido para calcular la variable de control óptima comparado con el NMPC. |
| format | Article |
| id | doaj-art-2a1615d582d64a9d9bf7c7200dff0d2f |
| institution | Kabale University |
| issn | 1697-7912 1697-7920 |
| language | Spanish |
| publishDate | 2022-09-01 |
| publisher | Universitat Politècnica de València |
| record_format | Article |
| series | Revista Iberoamericana de Automática e Informática Industrial RIAI |
| spelling | doaj-art-2a1615d582d64a9d9bf7c7200dff0d2f2025-01-02T20:21:20ZspaUniversitat Politècnica de ValènciaRevista Iberoamericana de Automática e Informática Industrial RIAI1697-79121697-79202022-09-01201324310.4995/riai.2022.1737516562Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronalElmer0https://orcid.org/0000-0001-7011-4933José Oliden Semino1https://orcid.org/0000-0002-0423-546XWilliam Ipanaqué Alama2https://orcid.org/0000-0003-4039-4422Universidad de PiuraUniversidad de PiuraUniversidad de PiuraEn este artículo se propone un Controlador Predictivo Neuronal (ANN-MPC) para controlar un sistema no lineal de tanque cuádruple, el cual es complejo de controlar debido a la no linealidad de sus válvulas y a la interacción entre sus variables controladas. Además, el problema se agrava ya que el proceso presenta una respuesta transitoria con dinámica inversa por estar en fase no mínima. El ANN-MPC emplea una estructura modular de red neuronal artificial y el algoritmo de entrenamiento Levenberg-Marquardt para estimar con mayor precisión y rapidez las salidas del proceso no lineal y evitar el sobreajuste del modelo. Se generaron datos operativos a partir de la planta para entrenar la red neuronal empleando Matlab. Se probó el rendimiento del ANN-MPC ante cambios de referencia y se comparó con un MPC lineal y un MPC no lineal. Los resultados de simulación mostraron que el ANN-MPC produjo un menor tiempo de establecimiento que el MPC lineal y generó valores RMSE de las salidas similares a los del NMPC. Además, se redujo el tiempo de cómputo requerido para calcular la variable de control óptima comparado con el NMPC.https://polipapers.upv.es/index.php/RIAI/article/view/17375control predictivo basado en modeloredes neuronales artificialessistema mimosistema de tanque cuádruple |
| spellingShingle | Elmer José Oliden Semino William Ipanaqué Alama Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal Revista Iberoamericana de Automática e Informática Industrial RIAI control predictivo basado en modelo redes neuronales artificiales sistema mimo sistema de tanque cuádruple |
| title | Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal |
| title_full | Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal |
| title_fullStr | Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal |
| title_full_unstemmed | Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal |
| title_short | Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal |
| title_sort | control de un sistema multivariable no lineal y en fase no minima empleando un controlador predictivo neuronal |
| topic | control predictivo basado en modelo redes neuronales artificiales sistema mimo sistema de tanque cuádruple |
| url | https://polipapers.upv.es/index.php/RIAI/article/view/17375 |
| work_keys_str_mv | AT elmer controldeunsistemamultivariablenolinealyenfasenominimaempleandouncontroladorpredictivoneuronal AT joseolidensemino controldeunsistemamultivariablenolinealyenfasenominimaempleandouncontroladorpredictivoneuronal AT williamipanaquealama controldeunsistemamultivariablenolinealyenfasenominimaempleandouncontroladorpredictivoneuronal |