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.
Descargas
Citas
Rojas, A. (2001). Control Avanzado: Diseño y Aplicaciones en Tiempo Real. Universidad Nacional de Ingeniería. Perú.https://kupdf.net/download/-control-avanzado-diseo-y-aplicaciones-en-tiempo-real-arturo-rojas-moreno_59a8f835dc0d60065d568ee2_pdf
Gómez, J. y Mendoza, G. (2009). Aplicación Del Control Adaptativo a Procesos Industriales Tipo ISO. Universidad Pontificia Bolivariana. Bucaramanga.https://repository.upb.edu.co/bitstream/handle/20.500.11912/433/digital_17521.pdf?sequence=1
Ardila, V. (2018). Control Variante en el Tiempo de Sistemas Multivariables Subactuados.Universidad Tecnológica de Pereira. Colombia.https://repositorio.utp.edu.co/server/api/core/bitstreams/af4e1ffe-c517-4459-8dc6-f81b8ad522a4/content
Arnáez, E. (2014). Enfoque Práctico del Control Moderno con Aplicaciones en Matlab. pp. 1-23. Universidad Peruana de Ciencias Aplicadas. Perú.https://repositorioacademico.upc.edu.pe/handle/10757/345716
Scheinker, A. (2021). Adaptive Machine Learning for Robust Diagnostics and Control of Time-Varying Particle Accelerator Components and Beams. National Laboratory Los Alamos. USA. Doi: 10.20944/preprints202103.0301.v1
Ann, J. y Shrivastava, S. (2018). DC Motor Speed Control Using Machine Learning Algorithm. International Journal of Engineering Research & Technology, 7(4).https://www.academia.edu/39282755/IJERT-C_Motor_Speed_Control_Using_Machine_Learning_Algorithm
Hurtado, F. (2006). Estimación de los Parámetros Físicos de un Motor de Corriente Directa usando el Algoritmo de Steiglitz-Mcbride. Instituto Politécnico Nacional. México. ttps://tesis.ipn.mx/handle/123456789/15660
Ogata, K. (2010). Ingeniería de Control Moderno. Quinta Edición, Pearson Educación. España.
Kuo, B. (1996). Sistemas de Control Automático. Séptima Edición, Prentice HallHispanoamericano. México.
Moreno, L., Garrido, S. y Bernaldo, C. (2003). Ingeniería de Control. Modelado, Análisis y Control de Sistemas. Ariel Ciencia. España.
Zdzislaw, B. (2005). Modern Control Theory. Springer. Wroclaw University of Technology. Polonia. Doi: https://doi.org/10.1007/3-540-28087-1
Landau, L., Lozano, R., M’Saad, M. y Karimi, A. (s.f.). Adaptive Control. Springer. Estados Unidos.
Rodríguez, F. y López, M. (1996). Control Adaptativo y Robusto. Universidad de Sevilla. España.
Müller, A. y Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O’ Reilly Media. Estados Unidos.
Deisenroth, M., Faisal, A. y Soon, C. (2020). Mathematics for Machine Learning. Cambridge University. Reino Unido. https://mml-book.github.io/book/mml-book.pdf
Shai, S. y Shai, B. (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University. Reino Unido. https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understanding- chine-learning-theory-algorithms.pdf
Mirjalili, V. y Raschka, S. (2020). Python Machine Learning. Marcombo. España. https://books.google.com.co/books?id=5EtOEAAAQBAJ&hl=es
Géron, A. (2020). Aprende Machine Learning con Scikit Learn, Keras y Tensorflow. Anaya Multimedia. España.
Monasterio, F. y Gutiérrez, A. (2021). Modelado de un Motor DC. http://www.robolabo.etsit.upm.es/asignaturas/seco/apuntes/modelado.pdf
CONTAVAL (2018). Como afecta la Inercia a los Servos. España. https://www.contaval.es/afecta-la-inercia-los-servos/
Derechos de autor 2022 Luis Ángel Sánchez Aguilar
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.