Treffer: Aprendizaje de máquina aplicado al control ; Machine Learning Applied to Control

Title:
Aprendizaje de máquina aplicado al control ; Machine Learning Applied to Control
Source:
A. Bensoussan. Estimation and control of dynamical systems, volume 48. Springer, 2018. ; F. Borrelli, A. Bemporad, and M. Morari. Predictive control for linear and hybrid systems. Cambridge University Press, 2017. ; E. F. Camacho and C. B. Alba. Model predictive control. Springer science & business media, 2013. ; N. Castle. Supervised vs. unsupervised machine learning. Retrieved from, 2017. ; N. Castle. What is semi-supervised learning. Oracle DataScience. Com, 2018. ; B. Chang, L. Meng, E. Haber, L. Ruthotto, D. Begert, and E. Holtham. Reversible architectures for arbitrarily deep residual neural networks. In Proceedings of the AAAI conference on ....
Publisher Information:
Universidad del Rosario
Escuela de Ingeniería, Ciencia y Tecnología
Programa de Matemáticas Aplicadas y Ciencias de la Computación - MACC
Publication Year:
2023
Collection:
Universidad del Rosario, Bogotá: E-docUR
Document Type:
Dissertation bachelor thesis
File Description:
39 pp; application/pdf
Language:
Spanish; Castilian
DOI:
10.48713/10336_38270
Rights:
info:eu-repo/semantics/openAccess ; http://creativecommons.org/licenses/by-nc-nd/4.0/
Accession Number:
edsbas.8D083C1F
Database:
BASE

Weitere Informationen

El objetivo de este trabajo es emular la acción de un controlador utilizando modelos de inteligencia artificial (IA). Para ello, se empleó como planta un sistema de segundo orden que describe la temperatura en un cuarto. Sobre dicha planta, se diseña un controlador predictivo basado en modelo (MPC, por sus siglas en inglés) como referencia para entrenar los algoritmos de IA. MPC es un método que utiliza modelos matemáticos para predecir el comportamiento futuro del sistema y tomar acciones de control óptimas en función de ciertos objetivos preestablecidos. La emulación del controlador puede plantearse como un problema de regresión, por lo tanto se emplearon tres de los modelos más populares de IA para efectuar regresiones: regresión lineal, vectores de soporte y redes neuronales. Para el entrenamiento de los modelos de IA, se utilizó una base de datos generada al simular el comportamiento del controlador MPC sobre la planta de temperatura. Se realizaron diferentes pruebas para evaluar el desempeño de los modelos de IA comparándolos con el controlador MPC. Los resultados mostraron que los modelos de IA pueden ser utilizados con éxito para emular dicho controlador con la ventaja de tener un menor costo computacional. En este sentido, cabe resaltar que MPC necesita resolver iterativamente un problema de optimización, mientras que los algoritmos de IA usados sólo requieren evaluar cierta función (que se obtiene al entrenar los modelos) en cada iteración de control. En conclusión, esta investigación es un primer paso exitoso en un camino prometedor: el uso de IA para el control de procesos dinámicos. ; The objective of this work is to emulate the action of a controller using artificial intelligence (AI) models. For this purpose, a second-order system that describes the temperature in a room was employed as the plant. On this plant, a model-based predictive controller (MPC) was designed as a reference to train the AI algorithms. MPC is a method that uses mathematical models to predict the future behavior of the system ...