info:eu-repo/semantics/bachelorThesis
Identificación no paramétrica de un motor dc por medio de un modelo de machine learning para sintonizar un controlador pid de velocidad aplicando algoritmos genéticos
Fecha
2018-11Autor
Pereyra Gonzáles, Irvin Jair
Institución
Resumen
El presente trabajo se centra en la identificación no paramétrica de un motor dc a través
de un modelo de machine learning, y cómo este modelo puede ser incluido en un proceso
de sintonización basado en algoritmos genéticos para hallar un controlador PID de
velocidad; cuyo desempeño fue comparado respecto al de los controladores PID
obtenidos mediante el primer método de Ziegler-Nichols y la aplicación PID Tuner de
Matlab.
Para la identificación del motor dc por medio de un modelo de machine learning, se utilizó
una señal de excitación tipo escalón con una amplitud cambiante cada 4.798s, y la
estructura de modelo seleccionada fue el modelo de regresión lineal Elastic Net; mientras
que, para la identificación por medio de una función de transferencia, se utilizó una señal
de excitación tipo escalón con amplitud constante. El modelo de Elastic Net, mostró un
ajuste de más del 99% sobre un conjunto de prueba; mientras que la función de
transferencia mostró un ajuste de más de un 95%.
La sintonización de los controladores PID se realizaron por medio de tres estrategias: La
primera utilizó algoritmos genéticos y el criterio de la integral del tiempo multiplicada
por el valor absoluto del error; la segunda. el primer método de Ziegler-Nichols; y la
tercera, la aplicación PID Tuner de Matlab. La función de transferencia fue utilizada en
los dos últimos métodos, mientras que el modelo de Elastic Net, en el primero.
Se evaluaron los controladores obtenidos sobre el sistema de control, encontrándose que
el controlador obtenido por el método de Ziegler-Nichols provocaba una respuesta
oscilante que no llegaba a estabilizarse. Para el caso de los otros métodos, ambos
controladores mostraron ser relativamente adecuados; sin embargo, el controlador
obtenido por medio de algoritmos genéticos y el modelo de Elastic Net mostró menor
oscilación antes de estabilizarse y un menor tiempo de establecimiento.
Se utilizó una placa Arduino UNO R3 para implementar tanto el muestreo de datos como
el controlador digital.