The development of quadrotor unmanned aerial vehicles (QUAVs) is a growing field due to their wide range of applications. QUAVs are complex nonlinear systems with a chaotic nature that require a controller with extended dynamics. PD and PID controllers can be successfully applied when the parameters are accurate. However, this parameterization process is complicated and time-consuming; most of the time, parameters are chosen by trial and error without guaranteeing good performance. The originality of this work is to present a novel nonlinear mathematical model with aerodynamic moments and forces in the Newton–Euler formulation, and identify metaheuristic algorithms applied to parameter optimization of compensated PD and PID controls for tracking the trajectories of a QUAV. Eight metaheuristic algorithms (PSO, GWO, HGS, LSHADE, LSPACMA, MPA, SMA and WOA) are reported, and RMSE is used to measure each dynamic performance of the simulations. For the PD control, the best performance is obtained with the HGS algorithm with an RMSE = 0.037247252379126. For the PID control, the best performance is obtained with the HGS algorithm with an RMSE = 0.032594309723623. Trajectory tracking was successful for the QUAV by minimizing the error between the desired and actual dynamics.

No abstract

No abstract

Técnicas basadas en población inspiradas en la naturaleza, han demostrado ser efectivas para resolver problemas complejos de optimización. Estos métodos son capaces de encontrar los parámetros óptimos de controladores. En este trabajo se diseña un controlador Proporcional Derivativo (PD) compensado, el cual permite a un UAV (unmanned aerial vehicle) seguir una trayectoria predeterminada. Los parámetros óptimos del controlador son determinados mediante la minimización de la función costo, calculada como el error entre las trayectorias deseadas y las reales en el espacio tridimensional. Además, se comparan seis diferentes algoritmos meta-heurísticos para su sintonización: Optimización por Nube de Partículas (PSO), la variante del Algoritmo de Evolución Diferencial (L-SHADE), Algoritmo de Optimización de Lobos (GWO), Optimización por Pastoreo de Elefantes (EHO), Algoritmo de Optimización de Ballenas (WOA) y el Algoritmo de Autómata Celular de Estado Continuo (CCAA). Los resultados de la implementación muestran que se obtiene un mejor desempeño dinámico del UAV en el seguimiento de la trayectoria proporcionada con el algoritmo PSO.

El diagnóstico de fallas es importante en los procesos industriales, ya que permite determinar si es necesario detener el proceso en operación y/o proponer un plan de mantenimiento. En el presente trabajo se comparan dos estrategias para diagnosticar fallas. La primera realiza un preprocesamiento de datos usando el análisis de componentes independientes para reducir la dimensión de los datos, posteriormente, se emplea la transformada wavelet para resaltar las señales de falla, con esta información se alimenta una red neuronal artificial. Por su parte, la segunda estrategia, principal contribución de este trabajo, usa una memoria de corto y largo plazo. Esta memoria es alimentada por las variables más significativas seleccionadas mediante una red elástica para usar tanto la norma $L_1$ como la $L_2$. Como ejemplo de aplicación se utilizó el proceso químico Tennessee Eastman, un proceso ampliamente usado en el diagnóstico de fallas. El aislamiento de fallas mostró mejores resultados con respecto a los reportados en la literatura.