Sintonización optima de un control adaptable acotado con e-modificación, mediante un algoritmo de Optimización de Enjambre de Partículas
Resumen
Este trabajo presenta la sintonización de la ganancia de una ley de control adaptable mediante la Optimización por Enjambre de Partículas (PSO). Las restricciones impuestas a las partículas en el PSO se obtienen a partir del análisis de estabilidad de la ley de control adaptable. De esta forma, el PSO produce partículas asociadas a ganancias óptimas que garantizan simultáneamente la estabilidad en lazo cerrado y la minimización de la Función de costo. El controlador adaptable emplea la velocidad y la aceleración de la señal de trayectoria deseada para construir el vector regresor utilizado en la ley actualizada. Además, se propone una nueva técnica de acotación para los parámetros estimados que permite mantenerlos dentro de ciertos límites prescritos. El rendimiento de la ley adaptable sintonizada mediante PSO se evalúa mediante experimentos en un servosistema de bajo costó.
Descargas
Citas
Åstrom, K. J., Hägglund, T., Hang, C. C., and Ho,W. K. (1993). Automatic tuning and adaptation for pid controllers-a survey. Control Engineering Practice, 1(4):699–714.
Åstrom, K. J. and Wittenmark, B. (2013). Adaptive control. Courier Corporation.
Chang, W.-D. (2022). An improved particle swarm optimization with multiple strategies for pid control system design. International Journal of Modeling and Optimization, 12(2).
Hu, J. y Chen, W. (2022). Design of active disturbance rejection controller for dynamic positioning based on improved particle swarm optimization. Mathematical Problems in Engineering, 2022.
Ibrahim, M. A., Mahmood, A. K., and Sultan, N. S. (2019). Optimal pid controller of a brushless dc motor using genetic algorithm. Int J Pow Elec & Dri Syst ISSN, 2088(8694):8694.
Joseph, S. B., Dada, E. G., Abidemi, A., Oyewola, D. O., and Khammas, B. M. (2022). Metaheuristic algorithms for pid controller parameters tuning: Review, approaches and open problems. Heliyon, pp. 309–399.
Juarez-Castillo, E., Acosta-Mesa, H., and Mezura-Montes, E. (2019). Adaptive boundary constraint-handling scheme for constrained optimization. Soft Computing, pp. 1–34.
Kennedy, J. y Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN’95 - International Conference on Neural Networks, volume 4, pp. 1942–1948.
Lewis, F. L., Dawson, D. M., and Abdallah, C. T. (2003). Robot manipulator control: theory and practice. CRC Press.
Liu, X., Gao, Q., Ji, Y., Song, Y., and Liu, J. (2022). Active disturbance rejection control of quadrotor uav based on whale optimization algorithm. In 2022 IEEE International Conference on Mechatronics and Automation (ICMA), pp. 351–356. IEEE.
Makeblock (2019). 180 optical encoder motor.
Mohideen, K. A., Saravanakumar, G., Valarmathi, K., Devaraj, D., and Radhakrishnan, T. (2013). Real-coded genetic algorithm for system identification and tuning of a modified model reference adaptive controller for a hybrid tank system. Applied Mathematical Modelling, 37(6):3829–3847.
Morales, O. J., Tristán-Rodríguez, D., and Garrido, R. (2022). Experimental evaluation of an adrc law using a teaching platform. En 2022 XXIV Robotics Mexican Congress (COMRob), pp. 78–83.
Narendra, K. S. (2013). Adaptive and learning systems: theory and applications. Springer Science & Business Media.
Narendra, K. S. and Annaswamy, A. M. (2012). Stable adaptive systems. courierCorporation.
Rodríguez-Molina, A., Mezura-Montes, E., Villarreal-Cervantes, M. G., and Aldape-Pérez, M. (2020). Multi-objective meta-heuristic optimization in intelligent control: A survey on the controller tuning problem. Applied Soft Computing, 93:106–342.
Rodríguez-Molina, A., Villarreal-Cervantes, M. G., Mezura-Montes, E., and Aldape-Pérez, M. (2019). Adaptive controller tuning method based on online multiobjective optimization: A case study of the four-bar mechanism. IEEE transactions on cybernetics, 51(3):1272–1285.
Roeva, O. and Slavov, T. (2012). Pid controller tuning based on metaheuristic algorithms for bioprocess control. Biotechnology & Biotechnological Equipment, 26(5):3267–3277.
Sadegh, N. and Horowitz, R. (1990). An exponentially stable adaptive control law for robot manipulators. IEEE Transactions on Robotics and Automation, 6(4):491–496.
Sastry, S. (1989). Adaptive Control; Stability, Convergence and Robustness. Prentice Hall Information and System Sciences Series.
Sastry, S. and Bodson, M. (2011). Adaptive Control: Stability, Convergence and Robustness. Courier Corporation.
Sidorov, G. (2018). Artificial Intelligence. Alfa-Omega.
Sun, P. A. I. J. (1995). Robust Adaptive Control. Prentice Hall.
Wang, D., Tan, D., and Liu, L. (2018). Particle swarm optimization algorithm: an overview. Soft computing, 22(2):387–408.
Derechos de autor 2023 Olga Lidia Jiménez-Morales, Diego Tristán-Rodriguez, Ruben Garrido, Efrén Mezura-Montes
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
