Control de un laboratorio de control de temperatura mediante redes neuronales recurrentes

  1. Blanco Fernández, Cristian 1
  2. Sierra García, Jesús Enrique 2
  3. Santos, Matilde 3
  1. 1 UNED. Universidad Nacional de Educación a Distancia
  2. 2 Universidad de Burgos
    info

    Universidad de Burgos

    Burgos, España

    ROR https://ror.org/049da5t36

  3. 3 Universidad Complutense de Madrid
    info

    Universidad Complutense de Madrid

    Madrid, España

    ROR 02p0gd045

Mostrar afiliaciones +
Libro:
XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja)
  1. Carlos Balaguer Bernaldo de Quirós (coord.)
  2. José Manuel Andújar Márquez (coord.)
  3. Ramon Costa Castelló (coord.)
  4. Carlos Ocampo Martínez (coord.)
  5. Jesús Fernández Lozano (coord.)
  6. Matilde Santos Peñas (coord.)
  7. José Enrique Simó Ten (coord.)
  8. Montserrat Gil Martínez (coord.)
  9. Jose Luis Calvo Rolle (coord.)
  10. Raúl Marín Prades (coord.)
  11. Eduardo Rocón de Lima (coord.)
  12. Elisabet Estévez Estévez (coord.)
  13. Pedro Jesús Cabrera Santana (coord.)
  14. David Muñoz de la Peña Sequedo (coord.)
  15. José Luis Guzmán Sánchez (coord.)
  16. José Luis Pitarch Pérez (coord.)
  17. Oscar Reinoso García (coord.)
  18. Oscar Déniz Suárez (coord.)
  19. Emilio Jiménez Macías (coord.)
  20. Vanesa Loureiro Vázquez (coord.)

Editorial: Servizo de Publicacións ; Universidade da Coruña

ISBN: 978-84-9749-841-8

Año de publicación: 2022

Páginas: 193-200

Congreso: Jornadas de Automática (43. 2022. Logroño)

Tipo: Aportación congreso

DIALNET GOOGLE SCHOLAR lock_openRUC editor

Resumen

El control predictivo (MPC – Model Predictive Control) de procesos es una estrategia extendida, que se basa en la resolución de un problema de optimización en tiempo real, lo que puede ser computacionalmente muy costoso en función de la naturaleza del problema en cuestión. Para superar esta limitación, se ha investigado la posibilidad de utilizar redes neuronales entrenadas para sustituir a este tipo de controladores. La idea subyacente es que para problemas que muestran un comportamiento predecible, se puede entrenar una red a partir de un controlador optimizado para que pueda sustituirlo. De esta forma los costes computacionales se trasladan al entrenamiento de la red, permitiendo el control en tiempo real sin necesidad de realizar operaciones computacionalmente complejas. Este trabajo explora esta idea a partir de un laboratorio de control de temperatura. Se entrenan dos tipos de redes neuronales recurrentes, y se compara su funcionamiento con el de un controlador tradicional.

Fuente de los datos: Dialnet