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

Simple item page
dc.contributor.advisorLeón Lescano, Edward Javier
dc.contributor.authorPereyra Gonzáles, Irvin Jair
dc.date.accessioned2019-01-02T16:06:30Z
dc.date.available2019-01-02T16:06:30Z
dc.date.issued2018-11
dc.descriptionThe 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.es_PE
dc.description.abstractEl 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.es_PE
dc.description.uriTesises_PE
dc.identifier.urihttps://hdl.handle.net/20.500.14414/11159
dc.language.isospaes_PE
dc.publisherUniversidad Nacional de Trujilloes_PE
dc.relation.ispartofseriesTmec;Tmec
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/pe/es_PE
dc.sourceUniversidad Nacional de Trujilloes_PE
dc.sourceRepositorio institucional - UNITRUes_PE
dc.subjectAlgoritmos genéticoses_PE
dc.titleIdentificación no paramétrica de un motor dc por medio de un modelo de machine learning para sintonizar un controlador pid de velocidad aplicando algoritmos genéticoses_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngenieríaes_PE
thesis.degree.grantorUniversidad Nacional de Trujillo.Facultad de Ingenieríaes_PE
thesis.degree.levelTítulo Profesionales_PE
thesis.degree.nameIngeniero Mecátronicoes_PE
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
PEREYRA GONZÁLES, IRVIN JAIR.pdf
Size:
8.28 MB
Format:
Adobe Portable Document Format
Description:
Algoritmos genéticos
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Tesis de Mecatrónica