Quasi-optimal control of a solar thermal system via neural networks

Friese, Jana; Brandt, N. B.; Schulte, Andreas; Kirches, Christian; Tegethoff, Wilhelm; Köhler, Jürgen

doi:10.1016/j.egyai.2023.100232

Cited by 3 publications

(2 citation statements)

References 33 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Meanwhile, in [ 26 ], indirect neural control for an unmanned surface vessel is presented considering injection and deception attacks. Then, in [ 27 , 28 ], a quasi-optimal neural control for solar thermal systems and neural-based fixed optimal control for the attitude tracking of a space vehicle with output constraints are evinced, respectively. Finally, in [ 29 , 30 ], a space manipulator neural output constrained control for a space manipulator using a Lyapunov tan-barrier functional and the neural network control of nuclear plants are evinced, respectively.…”

Section: Introductionmentioning

confidence: 99%

Dynamic Output Feedback and Neural Network Control of a Non-Holonomic Mobile Robot

Cardona

Serrano

2023

Sensors

View full text Add to dashboard Cite

This paper presents the design and synthesis of a dynamic output feedback neural network controller for a non-holonomic mobile robot. First, the dynamic model of a non-holonomic mobile robot is presented, in which these constraints are considered for the mathematical derivation of a feasible representation of this kind of robot. Then, two control strategies are provided based on kinematic control for this kind of robot. The first control strategy is based on driftless control; this means that considering that the velocity vector of the mobile robot is orthogonal to its restriction, a dynamic output feedback and neural network controller is designed so that the control action would be zero only when the velocity of the mobile robot is zero. The Lyapunov stability theorem is implemented in order to find a suitable control law. Then, another control strategy is designed for trajectory-tracking purposes, in which similar to the driftless controller, a kinematic control scheme is provided that is suitable to implement in more sophisticated hardware. In both control strategies, a dynamic control law is provided along with a feedforward neural network controller, so in this way, by the Lyapunov theory, the stability and convergence to the origin of the mobile robot position coordinates are ensured. Finally, two numerical experiments are presented in order to validate the theoretical results synthesized in this research study. Discussions and conclusions are provided in order to analyze the results found in this research study.

show abstract

Section: Introductionmentioning

confidence: 99%

Dynamic Output Feedback and Neural Network Control of a Non-Holonomic Mobile Robot

Cardona

Serrano

2023

Sensors

View full text Add to dashboard Cite

show abstract

“…control predictivo) que necesitan de un modelo del sistema real y en los casos donde es muy complicado disponer de un modelo aproximado definido matemáticamente o mediante algún otro método de identificación Calle Chojeda et al (2022); Gomez et al (2022); Zabaljauregi et al (2023). Estos modelos neuronales dinámicos se logran en todos los casos mediante una buena metodología en la fase de entrenamiento de dichas RNA, considerando aspectos tan relevantes como: el rango de operación del sistema real, las dinámicas predominantes en el tiempo que marcan los períodos de muestreo adecuados, una experimentación ajustada al rango de trabajo del sistema para recoger ejemplos de funcionamiento representativos del sistema y un estudio detallado de las posibles estructuras a configurar con la RNA elegida (Zhao et al (2023);Alhajeri et al (2021); Li and Tong (2021); Zhang et al (2023); Friese et al (2023)).…”

Section: Introductionunclassified

Estudio del comportamiento de modelos neuronales de sistemas MIMO acoplados

Iturbe,

Irigoyen,

Larrea

et al. 2023

XLIV Jornadas De Automática: Libro De Actas: Universidad De Zaragoza, Escuela De Ingeniería Y Arquitectura, 6, 7 Y 8 De Septiem

View full text Add to dashboard Cite

En la actualidad, son muchos los trabajos donde se utilizan modelos neuronales para reproducir las dinámicas de complejos sistemas no lineales. Existe un amplio estudio para propuestas que contemplan sistemas monovariables. Pero cuando se trata de lograr un modelo integral de un sistema multivariable (MIMO) son muchas las incógnitas que se presentan, además de las clásicas relacionadas con la capacidad de la red neuronal de reproducir la salida del sistema en predicciones a una muestra o con la robustez de dicho modelo neuronal a determinadas perturbaciones o incertidumbres aparecidas en el sistema. Cuando se trata de trabajar con sistemas MIMO surgen nuevos retos como son la predicción a futuro realizada por dicho modelo y los acoplamientos inherentes en el mismo. Por ello, este trabajo propone introducir en la validación de modelos neuronales un análisis metodológico donde se consideren todas estas variantes. Como caso de uso, este trabajo presentará el modelo neuronal de un sistema de refrigeración de una pila de combustible tipo PEM.

show abstract