Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal

Abstract

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.

Estudio del comportamiento de modelos neuronales de sistemas MIMO acoplados

“…En lo que respecta al área de la Automática y el Control, estos modelos neuronales son utilizados por diversas estrategias de control avanzado (p.e. control predictivo) que necesitan de un modelo del sistema real y en los casos donde es muy complicado disponer de un modelo aproximado definido matemáticamente o mediante algún otro método de identificación Calle Chojeda et al (2022); Gomez et al (2022); Zabaljauregi et al (2023). Estos modelos neuronales dinámicos se logran en todos los casos mediante una buena metodología en la fase de entrenamiento de dichas RNA, considerando aspectos tan relevantes como: el rango de operación del sistema real, las dinámicas predominantes en el tiempo que marcan los períodos de muestreo adecuados, una experimentación ajustada al rango de trabajo del sistema para recoger ejemplos de funcionamiento representativos del sistema y un estudio detallado de las posibles estructuras a configurar con la RNA elegida (Zhao et al (2023);Alhajeri et al (2021); Li and Tong (2021); Zhang et al (2023); Friese et al (2023)).…”

“…Es muy común encontrarse con estudios que basan la selección del mejor modelo neuronal en un proceso de validación que valora el error cometido en la predicción a una muestra en el tiempo. Cierto es que en ciertas estrategias de control esto puede ser suficiente para garantizar un desempeño satisfactorio del control aplicado Calle Chojeda et al (2022); Gomez et al (2022), más aún si se trata de un sistema monovariable Continelli et al (2023). Pero esto puede resultar poco adecuado si la estrategia de control requiere de un modelo que, además de la estimación a un período de muestreo, necesite proyectar dichas estimaciones a futuro (p.e.…”