In control engineering education, the possibility of using a real control system in the learning process motivates professors to improve both students’ knowledge and skills, thus avoiding an approach only based on control theory. While considering that control engineering laboratories are expensive, mainly because educational plants should reproduce classical problems that are found in the industry, the use of virtual laboratories appears as an interesting strategy for reducing costs and improving the diversity of experiments. In this research, remote experimentation was assumed regarding the ball and beam process as an alternative didactic methodology. While assuming a nonlinear and unstable open-loop process, this study presents how students should proceed to control the plant focusing on the topic that is associated with multiobjective optimization. Proportional-Integral-Derivative (PID) controller was tuned considering the Non-dominated Sorting Genetic Algorithm (NSGA-II) to illustrate the WebLab learning procedures described in this research. The proposed strategy was compared to the Åström’s robust loop shaping method to emphasize the performance of the multiobjective optimization technique. Analyzing the feedback provided by the students, remote experimentation can be seen as an interesting approach for the future of engineering learning, once it can be directly associated with industry demand of connected machines and real-time information analysis.

Predictive maintenance can be used for the optimization of machine availability, reducing maintenance costs, improving quality management and decision-making. This paper proposes the use of 5 time-series forecasting methods, being two classical approaches: Exponential Smoothing and Autoregressive Integrated Moving Average (ARIMA); and three based on machine learning: Radial Basis Function Neural Networks (RBF-NN), Support Vector Regression (SVR), and Long-Short Term Memory (LSTM). The meta-parameters of the models were optimized using Differential Evolution (DE) algorithm. In the presented analysis, a quality inspection database from an automaker factory floor was presented. The main idea was to predict deviations from tolerance, anticipating corrective actions in the production process. As a result, it was possible to compare the efficiency of the 5 models in relation to three time series analyzing their characteristics, strengths and drawbacks. Resumo: A manutenção preditiva pode ser usada na otimização da disponibilidade de máquinas, redução de custos de manutenção, gestão da qualidade e processo de tomada de decisões. Neste trabalho realizouse o estudo de 5 modelos de previsão de séries temporais, dois clássicos: Suavização Exponencial e Autorregressivo Integrado de Médias Móveis (ARIMA), e três baseados em aprendizado de máquina: Rede Neural de Base Radial (RBF-NN), Regressão por Vetores de Suporte (SVR) e Memória de Curto e Longo Prazo (LSTM). Os meta-parâmetros dos modelos foram otimizados usando o algoritmo de Evolução Diferencial (DE). A base de dados utilizada neste estudo é proveniente da inspeção da qualidade no chão de fábrica de uma montadora. Neste contexto, a ideia principal foi prever desvios relacionados à tolerância, antecipando ações de correção no processo produtivo. Como resultado, foi possível comparar a eficiência dos 5 modelos em relação a três séries temporais analisando suas características, vantagens e desvantagens.

No abstract

A parametrização de controladores é um problema constantemente estudado, tanto para aplicações na área industrial, quanto acadêmica. A utilização da otimização multiobjetivo, apoiada por metaheurísticas no auxílio a esta tarefa tem sido cada vez mais comum, visto que possibilita a obtenção de múltiplas soluções de maneira mais simples e rápida, quando confrontada por métodos clássicos. Neste artigo, o Algoritmo Genético de Classificação Não Dominada II (NSGA-II) é utilizado para a obtenção dos ganhos de um controlador Proporcional-Integral-Derivativo (PID) cujo propósito é estabilizar um sistema não linear aeropêndulo, identificado por um modelo Hammerstein-Wiener. O conjunto de soluções obtido pelo algoritmo NSGA-II mostrou-se inviável para análise e simulação individual devido à sua elevada quantidade, de modo que o método de auxílio à tomada de decisão multicritério Processo Analítico Hierárquico (AHP), foi adotado, a solução apontada como preferencial pelo método AHP apresentou rápido tempo de estabilização e mínimo de sobressinal.

No abstract