En este artículo se presenta y analiza un método de creación de modelos formados por agrupaciones de submodelos locales lineales. La principal novedad es que la ponderación empleada con los submodelos no es la habitual, basada en el estado o parte del mismo sino que se toman exclusivamente señales instantáneas de entrada y salida del sistema. Esta elección simplifica algunos aspectos de la creación del modelo, manteniendo intacta la capacidad de representación, siendo ésta comparada con otras técnicas. La simplificación aludida es importante pues acerca el método a la práctica industrial del control de procesos. La técnica de identificación resultante se ilustra mediante dos casos prácticos: un sistema simulado propuesto por Narendra y el sistema de captación de una planta real de producción de frío a partir de energía solar. En ambos casos se muestran los errores de generalización para la predicción a un paso y para la simulación usando gran cantidad de situaciones. Los resultados indican que es factible el uso del método propuesto como técnica simplificada aplicable en la industria.
Journal Information
Vol. 6. Issue 1.
Pages 51-62 (January 2009)
Vol. 6. Issue 1.
Pages 51-62 (January 2009)
Open Access
Agrupaciones de modelos locales con descripción externa. Aplicación a una planta de frío solar
Visits
2596
This item has received
Article information
Resumen
Palabras clave:
agrupaciones de modelos locales
identificación
planta solar de producción de frío
Full text is only aviable in PDF
References
[Akaike, 1974]
H. Akaike.
A new look at the statistical model identification.
IEEE Trans. on Automatic Control, AC-19 (1974), pp. 716-723
[Alamo et al., 2006]
T. Alamo, A. Cepeda, D. Limon, E.F. Camacho.
A new concept of invariance for saturated systems.
Automatica, 42 (2006), pp. 1515-1521
[Bellman, 1957]
R.E. Bellman.
Dynamic Programming.
Princeton University Press, (1957),
[Bontempi and Birattari, 2005]
G. Bontempi, M. Birattari.
From linearization to lazy leaming: A survey of divide-and-conquer techniques for nonlinear control.
Intemational Joumal of Computational Cognition, 3 (2005), pp. 56-73
[Camacho and Bordons, 2004]
E.F. Camacho, C. Bordons.
Control predictivo: Pasado, presente y futuro.
Revista Iberoamericana de Automática e Informática Industrial, 1 (2004), pp. 5-28
[Cirre et al., 2004]
Cristina M. Cirre, Valenzuela. Loreto, Berenguel. Manuel, Camacho. Eduardo.
Control de plantas solares con generación automática de consignas.
Revista Iberoamericana de Automática e Informática Industrial, 1 (2004), pp. 50-56
[de Prada, 2004]
C. de Prada.
El futuro del control de procesos.
Revista Iberoamericana de Automática e Informática Industrial, 1 (2004), pp. 5-14
[Foss et al., 1995]
B.A. Foss, T.A. Johansen, A.V. Sorenson.
Nonlinear predictive control using local models - applied to a batch fermentation process.
Control Engineering Practice, 3 (1995), pp. 389-396
[Francisco and Vega, 2006]
M. Francisco, P. Vega.
Diseño integrado de procesos de depuración de aguas utilizando control predictivo basado en modelos.
Revista Iberoamericana de Automática e Informática Industrial, 3 (2006), pp. 88-98
[Fritzke, 1994]
B. Fritzke.
Growing cell structures - a self-organizing network for unsupervised and supervised leaming.
Neural Networks, 7 (1994), pp. 1441-1460
[García-Nieto et al., 2008]
S. García-Nieto, M. Martínez, X. Blasco, J. Sanchis.
Nonlinear predictive control based on local model networks for air management in diesel engines.
Control Engineering Practice, (2008),
[Ghraizi et al., 2007]
R.A. Ghraizi, E. Martínez, C. de Prada, F. Cifuentes, J.L. Martínez.
Performance monitoring of industrial controllers based on the predictability of controller behavior.
Computers and Chemical Engineering, 31 (2007), pp. 477-486
[Gruber and Bordons, 2007]
J.K Gruber, C. Bordons.
Control predictivo no lineal basado en modelos de volterra. aplicación a una planta piloto.
Revista Iberoamericana de Automática e Informática Industrial, 4 (2007), pp. 56-73
[Hunt et al., 2000]
K.J. Hunt, T.A. Johansen, J. Kalkkuhl, H. Fritz, Th. Gottsche.
Nonlinear speed control for an experimental vehicle using a generalized gain scheduling approach.
IEEE Transactions on Control Systems Technology, 8 (2000), pp. 381-395
[Johansen and Foss, 1993]
T.A. Johansen, B.A. Foss.
Constructing nannax models using annax models.
Intemational Joumal of Control, 58 (1993), pp. 1125-1153
[Johansen and Foss, 1995]
T.A. Johansen, B.A. Foss.
Identification of nonlinear system structure and parameters using regime decomposition.
Automatica, 31 (1995), pp. 321-326
[Johansen and Foss, 1998]
T.A. Johansen, B.A. Foss.
ORBIT-operating regime based modelling and identification toolkit.
Control Engineering Practice, 6 (1998), pp. 1277-1286
[Johansen et al., 2000]
T.A. Johansen, K.J. Hunt, I. Petersen.
Gainscheduled control of a solar power plant.
Control Engineering Practice, 8 (2000), pp. 1011-1022
[Moody and Darken, 1989]
J. Moody, C. Darken.
Fast learning in networks of locally-tuned processing units.
Neural Computation, 1 (1989), pp. 281294
[Murray and Johansen, 1997]
R. Murray, T. Johansen.
Multiple Model Approaches to Modelling and Control.
Taylor and Francis, (1997),
[Narendra and Parthasarathy, 1990]
K.S. Narendra, K. Parthasarathy.
Identification and control of dynarnical systems using neural networks.
IEEE Transactions on Neural Networks, 1 (1990), pp. 4-27
[Núñez-Reyes, 2007]
A. Núñez-Reyes.
Contribuciones al Control de Plantas de Producción de Frío Mediante Energía Solar. PhD thesis. Departamento de Ingeniería de Sistemas y Automática. Escuela Superior de Ingenieros.
Universidad de Sevilla, (2007),
[Núñez-Reyes et al., 2005]
A. Núñez-Reyes, J.E. Norrney-Rico, C. Bordons, E.E. Camacho.
A smith predictive based MPC in a solar air conditioning plant.
Journal of Process control, 15–1 (2005), pp. 1-10
[Principe et al., 1998]
J.C. Principe, L. Wang, M.A. Motter.
Local dynamic modeling with self-organizing maps and applications to nonlinear system identification and control.
Proceedings ofthe IEEE, 86 (1998), pp. 2240-2257
[Reed and Marks, 1998]
R.D. Reed, R.J. Marks.
Neural smithing.
MIT press, (1998),
[Rivera, 2007]
D.E. Rivera.
Una metodología para la identificación integrada con el diseño de controladores imc-pid.
Revista Iberoamericana de Automática e Informática Industrial, 4 (2007), pp. 5-18
[Rivera et al., 1992]
D.E. Rivera, J.E. Pollard, C.E. García.
Controlrelevant prefiltering: a systematic design approach and case study.
IEEE Transactions on automatic control, 37 (1992), pp. 964974
[Rodriguez et al., 2007]
M. Rodriguez, D. Sarabia, C. de Prada.
Hybrid predictive control of a simulated chemical plant.
Taming Heterogeneity and Complexity of Embedded Control, pp. 617-634
[Rubio et al., 2006]
F.R. Rubio, E.F. Camacho, M. Berenguel.
Control de campos de colectores solares.
Revista Iberoamericana de Automática e Informática Industrial, 3 (2006), pp. 26-45
[Sarabia et al., 2006]
D. Sarabia, C. De Prada, S. Cristea, R. Mazaeda.
Hybrid model predictive control of a sugar end section. Computer Aided Chemical Engineering, (2006), pp. 1269-1274
[Schwartz and Rivera, 2006]
J.D. Schwartz, D.E. Rivera.
Control-relevant demand modeling for supply chain management.
Proceedings of the 14th Annual IFAC Symposium on System Identification, Newcastle, (2006),
[Tikhonov and Arsenin, 1977]
A.Ñ. Tikhonov, V.Y. Arsenin.
Solutions ofill-posed problems.
V.H. Winston and sons, (1977),
[Weigend and Gershenfeld, 1994]
A.S. Weigend, N.A. Gershenfeld.
Time Series Prediction.
Addison-Wesley, (1994),
[Yuan and Fine, 1998]
J.L. Yuan, T.L. Fine.
Neural network design for small training sets of high dimensiono.
IEEE Transactions on Neural Networks, 9 (1998), pp. 266-380
[Zambrano, 2007]
D. Zambrano.
Modelado y control predictivo híbrido de una planta de refrigeración solar. PhD thesis. Departamento de Ingeniería de Sistemas y Automática. Escuela Superior de Ingenieros.
Universidad de Sevilla, (2007),
Copyright © 2009. Elsevier España, S.L.. Todos los derechos reservados