Control por posicionamiento de polos adaptivo usando machine learning para motor DC con inercia variable

Resumen

El presente trabajo propone un sistema de control por posicionamiento de polos aplicado a un motor DC con inercia variable, tal que pueda mantener la respuesta de la velocidad, incluso ante algunas variaciones de carga, haciendo uso de algoritmos de Machine Learning. Para ello se obtienen las características de la respuesta de la velocidad del motor sin carga que nos brindará un modelo de referencia para ajustar las ganancias adaptivas. Los datos obtenidos para el entrenamiento fueron los momentos de inercia y ganancias de retroalimentación de estados (velocidad y corriente de armadura) para cargas distintas entre un intervalo definido. Luego, se hizo el entrenamiento de cuatro modelos de Machine Learning: Regresión Polinomial, Árbol de Decisión, Bosque Aleatorio y Máquina de Soporte Vectorial, en base a tres parámetros de validación distintos. Una vez validados, se exportan los modelos que finalmente se comportarán como las ganancias adaptivas a cambios de inercia. Los errores entre el tiempo de establecimiento deseado y simulado fueron los indicadores que nos permitieron concluir si las ganancias adaptivas satisfacen el objetivo. Finalmente, se determinó que el modelo de Árbol de Decisión tuvo mejores prestaciones a la hora de adaptarse al modelo de referencia.