Información del artículo
Resumen
Se desarrolla un esquema de Control Predictivo Generalizado (GPC) basado en un modelo neuronal del proceso, y se aplica en un reactor de neutralización de laboratorio. El modelo neuronal se obtiene previamente por identificación, y se linealiza en cada iteración del algoritmo de control. De esta manera se combina la capacidad de ajuste de la redes neuronales con la eficiencia de cálculo del GPC, consiguiéndose un sistema con las ventajas del control predictivo pero extendido a sistemas no lineales, que se comporta con precisión y rapidez ante perturbaciones.
Palabras clave:
Control Neuronal
Control Predictivo
Redes Neuronales
Linealización Instantánea
Control de pH
El Texto completo está disponible en PDF
References
[Ali, 2001]
E. Ali.
pH Control using PI Control algorithms with automatic tuning method.
Trans IChemE, 79 (2001), pp. 611-619
[Clarke et al., 1987]
D.W. Clarke, Mohtadi, P.S. Tuffs.
Generalized Predictive Control – parts I and II.
Automatica, 23 (1987), pp. 137-160
[Camacho and Bordons, 1995]
E.F. Camacho, C. Bordons.
Model Predictive Control in the process industry.
Springer, (1995),
[Galindo et al., 2000]
J. Galindo, E. Margaglio, R. Lamanna, M. Uria.
Control difuso multi-modelo: Aplicación al control de pH en un reactor de laboratorio.
Memorias de ESTYLF 2000 (X Congreso Español sobre Tecnologías y Lógica Fuzzy), España, (2000),
[Garcia and Prett, 1989]
C.E. Garcia, D.M. Prett, M. Morari.
Model Predictive Control: Theory and Practice-A Survey.
Automatica, 25 (1989), pp. 335-348
[He and Asada, 1993]
X. He, H. Asada.
A new method for identifying orders of input-output models for nonlinear dynamic systems.
Proc. of the American Control Conference, (1993),
[Hunt et al., 1992]
K.J. Hunt, D. Sbarbaro, R. Zbikoswski, P.J. Gawthrop.
Neural Networks for Control Systems. A Survey.
Automatica, 28 (1992), pp. 1083-1112
[Lamanna et al., 2000]
R. Lamanna, M. Uria, L. Jaramillo, F. Ricardo.
Memorias del IX Congreso Latinoamericano de Control Automático.
Memorias del IX Congreso Latinoamericano de Control Automático, Cali, (2000),
[Lin Jun-Shien et al., 1999]
Lin Jun-Shien, Jang Shi-Shang, Shieh Shyan-Shu, M. Subramanian.
Generalized Multivariable Dynamic Artificial Neural Network. Modeling for Chemical Processes.
Ind. Eng. Chem. Res., 38 (1999), pp. 4700-4711
[Liu et al., 1998]
G.P. Liu, V. Kadirkamanathan, S.A. Billings.
Predictive control for non–linear systems using neural networks.
Int. J. Control., 71 (1998), pp. 1119-1132
[Narendra and Parthasarathy, 1990]
K. Narendra, K. Parthasarathy.
Identification and control of dynamical systems using neural networks.
IEEE Transactions on Neural Networks, 1 (1990), pp. 4-27
[Nørgaard, 1998]
P.M. Nørgaard.
System identification and control with neural networks.
Ph.D. Thesis. Departamento de Automatización, Universidad Técnica de Denmark, (1998),
[Parlos et al., 2001]
A.G. Parlos, S. Parthasarathy, A.F. Atiya.
Neuro – Predictive Process Control Using On- Line Controller Adaptation.
IEEE Transactions on Control Systems Technology, 9 (2001),
[Sørensen, 1994]
O. Sørensen.
Neural Networks performing system identification for control applications.
[Waller and Toivonen, 2002]
J. Waller, H. Toivonen.
A neuro–fuzzy model predictive controller applied to a pH Neutralization process.
Proc. of the 15th International Federation of Automatic Control IFAC World Congress, (2002),
[Yu and Yu, 2003]
D.L. Yu, D.W. Yu.
A linear parameter-varying radial basis function model and predictive control of chemical reactor.
International Journal of Systems Science, 34 (2003), pp. 747-761
[Zamarreño and Vega, 1999]
J.M. Zamarreño, P. Vega.
Neural predictive control. Application to a highly non-linear system.
Engineering Applications of Artificial Intelligence, 12 (1999), pp. 149-158
Copyright © 2007. Elsevier España, S.L.. All rights reserved