No abstract

No abstract

Este trabajo presenta la metodología que se está empleando, dentro del grupo de investigación de control inteligente (GICI) de la UPV/EHU, para el desarrollo de estrategias de control inteligente y su posterior implementación en plataformas de tiempo real. Mediante esta metodología se establece el procedimiento para la validación de dichas estrategias, no solamente desde el punto de vista de simulación, en forma de scripts, sino acercando estos desarrollos a diferente hardware industrial para su posterior implementación en tiempo real en forma de s-functions. El caso de uso que se presenta y que está siendo implementado actualmente es el de la estrategia iMO-NMPC, la cual integra bajo un esquema de control predictivo, algoritmos evolutivos para la optimización y redes neuronales para el modelado de sistemas. Esta metodología se desarrolla haciendo uso de la plataforma de simulación MATLAB/Simulink®. Estos desarrollos se podrán validar en hardware industrial, para lo cual se empleará la generación automática de código que proporciona dicha herramienta de simulación.

Este trabajo presenta un estudio preliminar donde se analizará y estudiará la eficiencia de las redes neuronales artificiales de topología NARX (Nonlinear Autoregressive eXogenous) en la reproducción del comportamiento de sistemas con dinámicas complejas y su posterior uso en estructuras de control inteligente. Específicamente se valorará el comportamiento de dichas redes NARX, no solo en la estimación de las salidas de los sistemas a una muestra en el futuro, sino que se analizará su comportamiento hasta un horizonte de predicción determinado. Concretamente, debido a las características dinámicas de los sistemas no lineales estudiados este estudio se hará para un horizonte de 10 muestras en configuración closed-loop. El objetivo de este estudio es analizar si existen divergencias en las salidas estimadas por la red NARX al depender su cálculo de los valores anteriores estimados por la propia red. Dichas estructuras NARX se configurarán para reproducir tanto sistemas monovariables, como multivariables. En especial, este estudio se extenderá al caso del control predictivo no lineal basado en modelos iMO-NMPC, el cual constituye una línea de trabajo dentro del grupo de investigación de control inteligente (GICI) de la UPV/EHU.