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
No Thumbnail Available
Date
2018-11
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de Trujillo
Abstract
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.
Description
The present work focuses on a dc motor's nonparametric identification by means of a
machine learning model, and how this model can be included in a genetic algorithms
based PID tuning process to find a speed PID controller; whose performance was
compared with that of the PID controllers obtained by the first Ziegler -Nichols method
and Matlab's PID Tuner application.
For the dc motor's identification by means of a machine learning model, a step-type
excitation signal with a changing amplitude every 4,798s was used, and the selected
model structure was the Elastic Net linear regression model; while, for the identification
by means of a transfer function, a step-type excitation signal with constant amplitude was
used. The Elastic Net model showed an adjustment of more than 99% over a test set;
while the transfer function showed an adjustment of more than 95%.
The PID controllers tuning was carried out by means of three strategies: The first one
used genetic algorithms and the integral of time multiplied by the error's absolute value
criterion; the second. the first Ziegler-Nichols method; and the third, Matlab's PID Tuner
application. The transfer function was used in the last two methods, while the Elastic Net
model was used in the first.
The controllers obtained were evaluated on the control system, and it was found that the
controller obtained by the Ziegler-Nichols method caused an oscillating response that did
not stabilize. For the other methods, both controllers showed to be relatively adequate;
however, the controller obtained by means of genetic algorithms and the Elastic Net
model showed less oscillation before stabilizing and a shorter establishment time.
An Arduino UNO R3 board was used to implement both the data sampling and the
digital controller.
Keywords
Algoritmos genéticos