Sintonizacion de un controlador PID con redes neuronales artificiales

Adrian Camacho-Ramirez; Juan Carlos Avila Vilchis; Jose Manuel Benitez Quintero

Autores/as

Adrian Camacho-Ramirez Universidad Autónoma del Estado de México https://orcid.org/0000-0002-7123-6833
J.C. Avila-Vilchis Universidad Autónoma del Estado de México
J.M. Benitez Quintero Tecnológico Nacional de México

Palabras clave:

Control, Redes Neuronales Artificiales, Sintonización

Resumen

Este trabajo presenta una metodología para la sintonización de controladores PID mediante redes neuronales artificiales (ANN) ́aplicada a Rotatory Servo (RS) equipado con un motor de corriente continua (DC). Se exploran dos enfoques: la sintonización previa y la sintonización dinámica en tiempo real, ambas basadas en datos generados por simulación. La ANN es entrenada exclusivamente con datos simulados, sin requerir un modelo matemático detallado del sistema físico, lo que simplifica significativamente
el proceso de diseño. El objetivo de este estudio es demostrar que es posible obtener un rendimiento satisfactorio sin necesidad de realizar análisis complejos ni cálculos manuales por parte del diseñador. Los experimentos abarcan simulaciones y pruebas en un entorno físico, mostrando que la sintonización mediante las ANN, tales resultados validan la capacidad de las ANN para optimizar controladores PID, destacando su eficacia en entornos no lineales y con alta variabilidad. Adicionalmente, se compara con algoritmos genéticos (GA), donde la ANN supera en eficiencia computacional y facilidad de implementación.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 2

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

87%

33%

Días hasta la publicación

244

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Abdelghany, M., Elnady, A. O., e Ibrahim, S. O. (2023). Optimum pid controller with fuzzy self-tuning for dc servo motor. Journal of Robotics and Control (JRC), 4(4):500–508.

Amuthambigaiyin Sundari, K. y Maruthupandi, P. (2022). Optimal design of pid controller for the analysis of two tank system using metaheuristic optimization algorithm. Journal of Electrical Engineering & Technology, 17(1):627–640.

Åstrom, K. J. y H ¨ agglund, T. (2006). ¨ Advanced PID control. ISA-The Instrumentation, Systems and Automation Society.

Borase, R. P., Maghade, D., Sondkar, S., y Pawar, S. (2021). A review of pid

control, tuning methods and applications. International Journal of Dynamics and Control, 9:818–827.

Cao, F. (2020). Pid controller optimized by genetic algorithm for direct-drive servo system. Neural Computing and Applications, 32(1):23–30.

Debnath, M. K., Agrawal, R., Tripathy, S. R., y Choudhury, S. (2020). Artificial neural network tuned pid controller for lfc investigation including distributed generation. International Journal of Numerical Modelling: Electronic Networks, Devices and Fields, 33(5):e2740.

Elmorshedy, M. F., Xu, W., El-Sousy, F. F., Islam, M. R., y Ahmed, A. A. (2021). Recent achievements in model predictive control techniques for industrial motor: A comprehensive state-of-the-art. IEEE Access, 9:58170–58191.

Franklin, G. F., Powell, J. D., y Emami-Naeini, A. (2010). Feedback control of dynamic systems, volumen 10. Pearson Upper Saddle River, NJ.

Gadekar, K., Joshi, S., y Mehta, H. (2020). Performance improvement in bldc motor drive using self-tuning pid controller. En 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA), pp. 1162–1166. IEEE.

Geron, A. (2022). ´ Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. .O’Reilly Media, Inc.”.

Gundogdu, A., Celikel, R., y Aydogmus, O. (2021). Comparison of si-ann and extended kalman filter-based sensorless speed controls of a dc motor. Arabian Journal for Science and Engineering, 46(2):1241–1256.

Gurney, K. (2017). An Introduction to Neural Networks. CRC Press, London.

Kommula, B. N. y Kota, V. R. (2022). Design of mfa-pso based fractional order pid controller for effective torque controlled bldc motor. Sustainable energy technologies and assessments, 49:101644.

Kruse, R., Mostaghim, S., Borgelt, C., Braune, C., y Steinbrecher, M. (2022). Multilayer perceptrons. En Computational intelligence: a methodological introduction, pp. 53–124. Springer.

Lee, J., Chang, P. H., Yu, B., y Jin, M. (2020). An adaptive pid control for robot manipulators under substantial payload variations. IEEE Access, 8:162261–162270.

Li, X. y Gao, L. (2021). Robust fractional-order pid tuning method for a plant with an uncertain parameter. International Journal of Control, Automation and Systems, 19:1302–1310.

Lihua, L. (2022). Simulation physics-informed deep neural network by adaptive adam optimization method to perform a comparative study of the system. Engineering with Computers, 38(Suppl 2):1111–1130.

Parhi, R. y Nowak, R. D. (2020). The role of neural network activation functions. IEEE Signal Processing Letters, 27:1779–1783.

Radonjic, M., Zecevic, Z., y Krstajic, B. (2022). An iot system for real-time monitoring of dc motor overload. Electronics, 11(10):1555.

Somefun, O. A., Akingbade, K., y Dahunsi, F. (2021). The dilemma of pid tuning. Annual Reviews in Control, 52:65–74.