Modelado borroso de tipo Takagi Sugeno y control predictivo de una planta de nivel

Autores/as

  • Julio Alejandro Mosaja Churata Universidad Nacional de San Agustín image/svg+xml Autor/a
  • Edmundo Oswaldo Moreno Arévalo Universidad Católica de Santa María image/svg+xml Autor/a
  • Andrés Oswaldo Morocco Apfata Universidad Nacional de San Agustín image/svg+xml Autor/a
  • Hernando Prada Rojas Universidad Católica de Santa María image/svg+xml Autor/a

DOI:

https://doi.org/10.71701/541q0m10

Palabras clave:

Modelamiento difuso Takagi Sugeno, control predictivo discreto basado en modelos, planta de nivel, controlador lógico programable

Resumen

En la presente investigación, se desarrolló el modelado de una planta de nivel usando sistemas de inferencia borrosa de tipo Takagi Sugeno, así como su control empleando un control predictivo discreto basado en modelos (CPDBM). En el proceso de modelado, se demostró la utilidad de los sistemas de inferencia borrosa de tipo Takagi Sugeno al construir modelos que reproduzcan el comportamiento no lineal de plantas en un amplio rango de operación. Varios submodelos del proceso se obtuvieron mediante la estimación de parámetros de modelos físicos usando el estimador de máxima verosimilitud. Basado en esta información, se diseñó un control predictivo discreto basado en modelo (CPDBM) y se realizó su sintonización en Simulink®. La implementación práctica fue llevada a cabo usando un controlador de la familia LogiX de Allen Bradley®, en el cual se programaron las funciones necesarias para implementar el CPDBM. Los resultados experimentales demuestran un superior desempeño de esta estrategia con respecto a un controlador clásico PID en cuanto a reducción del tiempo de asentamiento y sobreimpulso máximo, mejor filtrado del ruido en la señal de control y comportamiento uniforme sobre un gran rango de operación.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Ansari, A. T., Raja, K. T., Sujitha, K., Kaa, H., y Abirami, S. (2014). Assessment Of Diverse Controllers For A Cylindrical Tank Level Process. International Journal for Innovative Research in Science & Technology, 1 (6), 82-86.

Åström, K., y Hägglund, T. (1995). PID Controllers: Theory, Design and Tuning. Carolina del Norte: Instrument Society of America.

Atherton, D. P., y Majhi, S. (Junio de 1999). Limitations of PID controllers. The 1999 American Control Conference. Conferencia llevada a cabo en IEEE Control Sistems Society, San Diego, California. 3843-3847.

Buckley, J. (1992). Universal fuzzy controllers, Automatica (Journal of IFAC), 28 (6), 1245–1248. [5] Camacho, E., y Alba, C. (2013). Model predictive control. Londres: Springer Science & Business Media.

Dotoli, M., Fay, A., Miskowicz, M., y Seatzu, C. (2015). A Survey on Advanced Control Approaches in Factory Automation. IFAC-PapersOnLine, 48 (3), 394-399.

Escobar, E. Salgado, J, Nicanor, Q. (octubre, 2014). Gain Scheduled - Model Predictive Control Applied to Nonlinear Systems, Memorias del XVI Congreso Latinoamericano de Control Automático (CLCA 2014). Congreso llevado a cabo en Cancún, Quintana Roo, México. 899-904.

Fini, A., Gogani, M., y Pourgholi, M. (Setiembre, 2015). Fuzzy gain scheduling of PID controller implemented on real time level control. Fuzzy and Intelligent Systems (CFIS), 2015 4th Iranian Joint Congress. Congreso llevado a cabo en IEEE, Zahedan, Iran. 1-5.

Qin, J., y Badgwell, T. (2003). A survey of industrial model predictive control technology. Control engineering practice, 11(7), 733-764.

Kamyar, M. (2008). Takagi-Sugeno Fuzzy Modeling for Process Control. Industrial Automation, Robotics and Artificial Intelligence. School of Electrical, Electronic and Computer Engineering, Newcastle University.

Lucas Nülle (s. f.): Compact level control kit including vessel, tank, pump and sensors. Recuperado de https://www.lucas-nuelle.com/317/pid/13909/apg/7474/Compact-level-control-kit-including-vessel,-tank,-pump-and-sensors--.htm

Marruedo, D. (2002). Control predictivo de sistemas no lineales con restricciones: estabilidad y robustez [Disertación doctoral], Universidad de Sevilla.

Muñoz-Tamayo, R., Laroche, B., Leclerc, M., & Walter, E. (2009). IDEAS: a parameter identification toolbox with symbolic analysis of uncertainty and its application to biological modelling. IFAC Proceedings Volumes, 42(10), 1271-1276.

Ricker, N. (1991). Model-predictive control: state of the art. Proc. Fourth International Conference on Chemical Process Control, Texas. 271–296.

Rivas Pérez, Sotomayor Moriano, Prada Moraga. (Noviembre, 2000). Control predictivo adaptivo robusto. IX Congreso Latinoamericano de Control Automático. Congreso llevado a cabo en Cali, Colombia. 10-15

Sbárbaro, D., y Del Villar, R. (Eds.). (2010). Advanced control and supervision of mineral processing plants. Londres: Springer Science & Business Media.

Sung, S. W., y Lee, I. B. (1996). Limitations and countermeasures of PID controllers. Industrial & engineering chemistry research, 35(8), 2596-2610.

Takagi, T., y Sugeno, M. (1985). Fuzzy identification of systems and its applications to modeling and control, IEEE transactions on systems, man, and cybernetics, 15(1), 116–132.

Viveros, R., Yuz, J., y Ibacache, R. (2014). Estimación simultánea de estado y parámetros para un sistema no lineal variante en el tiempo. Revista Iberoamericana de Automática e Informática industrial, 11(3), 263-274.

Wang, L. (2009). Model predictive control system design and implementation using MATLAB®. Londres: Springer Science & Business Media.

Wang, M., y Crusca, F. (2002). Design and implementation of a gain scheduling controller for a water level control system. ISA transactions, 41(3), 323-331.

Descargas

Publicado

2024-10-11

Número

Sección

Artículos

Cómo citar

Modelado borroso de tipo Takagi Sugeno y control predictivo de una planta de nivel. (2024). Revista I+i, 12. https://doi.org/10.71701/541q0m10

Artículos más leídos del mismo autor/a