Ingeniería

Permanent URI for this community

https://hdl.handle.net/20.500.14414/864

Browse

Browsing Ingeniería by Subject "Algoritmos genéticos"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    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
    (Universidad Nacional de Trujillo, 2018-11) Pereyra Gonzáles, Irvin Jair; León Lescano, Edward Javier
    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.