Control adaptable estadístico para sistemas térmicos
DOI:
https://doi.org/10.29057/icbi.v14iEspecial2.16131Palabras clave:
Control adaptable, control estocastico, modelo de referencia, sistema térmico, ganancia de adaptación estadísticaResumen
Sin lugar a duda, los sistemas térmicos como los sistemas de calefacción, de refrigeración, de generación de energía, de control de temperatura, entre otros, son de gran importancia en la vida cotidiana. Más aún, los sistemas de control de temperatura juegan un papel importante en el diseño, creación, evaluación y sintetización de nuevos materiales avanzados. Desde sus inicios, las técnicas de control adaptable han mostrado ser muy eficientes para mantener una temperatura deseada en un sistema térmico, sin embargo, se debe emplear una tasa de aprendizaje o ganancia de adaptación que suele ser desconocida y que típicamente se deja a criterio del diseñador o experto en el área. En este trabajo de investigación se propone un esquema de control adaptable estadístico por modelo de referencia (CAEMR) para un sistema térmico con parámetros desconocidos, basado en la corrección del error de seguimiento. A diferencia de los esquemas clásicos, aquí se introduce un algoritmo de estimación estadístico para determinar la dinámica de la ganancia de adaptación, basado en la corrección del error de seguimiento. En otras palabras, el algoritmo estadístico para la estimación de la ganancia de adaptación, está en función del error dado como la diferencia entre el estado del modelo de referencia y el estado del sistema y desviación estándar. Posteriormente, se calcula una variable normal estándar para estimar la probabilidad en una distribución normal, y finalmente, se estima mediante una función de mapeo de probabilidad para obtener la dinámica de la ganancia de adaptación. Este enfoque mejora la robustez y estabilidad del controlador. Los resultados numéricos y experimentales muestran la eficacia del algoritmo para lograr el seguimiento de la trayectoria de la señal de referencia bajo incertidumbres en los parámetros y/o parámetros desconocidos del sistema térmico, validando la viabilidad de incorporar criterios estadísticos en la teoría de control adaptable.
Descargas
Citas
Abusaid, S. M. y Elmelhi, A. M. (2024). Mrac with least squares for aircraft
attitude control motion. En 2024 IEEE 7th International Conference on Advanced
Technologies, Signal and Image Processing (ATSIP), volumen 1, pp.
284–289. IEEE.
Ahn, J. (2020). Improvement of the performance balance between thermal comfort
and energy use for a building space in the mid-spring season. Sustainability,
12(22).
Ahn, J., Cho, S., y Chung, D. H. (2017). Analysis of energy and control eciencies
of fuzzy logic and artificial neural network technologies in the heating
energy supply system responding to the changes of user demands. Applied
Energy, 190:222–231.
Annaswamy, A. M. y Fradkov, A. L. (2021). A historical perspective of adaptive
control and learning. Annual Reviews in Control, 52:18–41.
Åstr¨om, K. J. (1983). Theory and applications of adaptive control—a survey.
automatica, 19(5):471–486.
Babaei, N. y Salamci, M. U. (2015). Personalized drug administration for cancer
treatment using model reference adaptive control. Journal of theoretical
biology, 371:24–44.
Babaei, N. y Salamci, M. U. (2019). Mixed therapy in cancer treatment for
personalized drug administration using model reference adaptive control.
European Journal of Control, 50:117–137.
Balli, L., HLIMI, M., ACHENANI, Y., ATIFI, A., y HAMRI, B. (2024). Experimental
study and numerical modeling of the thermal behavior of an industrial
prototype ceramic furnace: Energy and environmental optimization.
Energy and Built Environment, 5(2):244–254.
Benavides, G. E. C., Duarte-Mermoud, M. A., Orchard, M. E., y Ehijo, A.
(2024). Improving pitch rate control performance of an f-16 aircraft using
fractional order direct-mrac adaptive control instead of using the classic
direct-mrac adaptive control.
Bitmead, R. (2003). Persistence of excitation conditions and the convergence
of adaptive schemes. IEEE Transactions on Information Theory, 30(2):183–
191.
Carlton, M. A. y Devore, J. L. (2017). Probability with applications in engineering,
science, and technology. Springer.
Cengel, Y. A. y Ghajar, A. J. (2007). Transferencia de calor y masa, volumen
53. McGraw-Hill Interamericana New York, NY, USA.
Chekifi, T. y Boukraa, M. (2023). Cfd applications for sensible heat storage:
A comprehensive review of numerical studies. Journal of Energy Storage,
68:107893.
Chen, C.-T. (1999). Linear system theory and design. Oxford university press.
Devore, J. L., Berk, K. N., y Carlton, M. A. (2021). Modern mathematical
statistics with applications. Springer Nature.
Du, J., Zhao, S., Wang, J., Yang, R., y Chang, A. (2025). Active heave compensation
for remotely operated vehicle recovery operations under random
wave disturbances. Physics of Fluids, 37(3).
Fatunmbi, E. O., Obalalu, A., Khan, U., Hussain, S. M., y Muhammad, T.
(2024). Model development and heat transfer characteristics in renewable
energy systems conveying hybrid nanofluids subject to nonlinear thermal radiation.
Multidiscipline Modeling in Materials and Structures, 20(6):1328–
1342.
Guo, J., Tao, G., y Liu, Y. (2011). A multivariable mrac scheme with application
to a nonlinear aircraft model. Automatica, 47(4):804–812.
He, J., Li, S., Guan, H., Hu, X., y Liu, J. (2023). Ship heading control based on
model reference adaptive control. En 2023 7th International Conference on
Transportation Information and Safety (ICTIS), pp. 1437–1442. IEEE.
Ioannou, P. A. y Sun, J. (1996). Robust adaptive control, volumen 1. PTR
Prentice-Hall Upper Saddle River, NJ.
Ji, Y., Xu, P., Duan, P., y Lu, X. (2016). Estimating hourly cooling load in
commercial buildings using a thermal network model and electricity submetering
data. Applied Energy, 169:309–323.
Kaufmann, K. y Vecchio, K. S. (2024). Autonomous materials research and design:
Characterization. Current Opinion in Solid State and Materials Science,
32:101192.
Khan, A. y Swamy, M. S. (2016). Modified mrac based on lyapunov theory
for improved controller eciency. En 2016 International Conference on
Automatic Control and Dynamic Optimization Techniques (ICACDOT), pp.
989–995. IEEE.
Łach, Ł. y Svyetlichnyy, D. (2025). Advances in numerical modeling for heat
transfer and thermal management: a review of computational approaches
and environmental impacts. Energies, 18(5):1302.
Landl, M., Prieler, R., Monaco, E., y Hochenauer, C. (2023). Numerical investigation
of conjugate heat transfer and natural convection using the latticeboltzmann
method for realistic thermophysical properties. Fluids, 8(5).
Monopoli, R. (2003). Model reference adaptive control with an augmented
error signal. IEEE Transactions on Automatic Control, 19(5):474–484.
Ogata, K. (2010). Modern control engineering. Prentice hall.
Parks, P. (1966). Liapunov redesign of model reference adaptive control systems.
IEEE Transactions on Automatic Control, 11(3):362–367.
Paudel, H. P., Syamlal, M., Crawford, S. E., Lee, Y.-L., Shugayev, R. A., Lu, P.,
Ohodnicki, P. R., Mollot, D., y Duan, Y. (2022). Quantum computing and
simulations for energy applications: Review and perspective. ACS Engineering
Au, 2(3):151–196.
Pe˜na, M. E. (2011). Control Adaptable. Universidad Nacional de San Juan,
Argentina.
Ramesh, P. y Yadaiah, N. (2017). Mrac with variable adaptation gain for first
order systems. En TENCON 2017-2017 IEEE Region 10 Conference, pp.
585–590. IEEE.
S´anchez-S´anchez, P., Guillermo Cebada-Reyes, J., Montiel-Mart´ınez, A., y
Reyes-Cort´es, F. (2025). Optimizing dehydration systems: Implementing
model reference adaptive control for enhanced eciency. International
Journal of Adaptive Control and Signal Processing, 39(5):871–893.
Sandu, A. V. (2023). New materials and advanced procedures of obtaining and
processing—applied sciences insights. Applied Sciences, 13(5):1–5.
Åstr¨om, K. y Wittenmark, B. (1973). On self tuning regulators. Automatica,
9(2):185–199.
Swathi, M. y Ramesh, P. (2017). Modeling and analysis of model reference
adaptive control by using mit and modified mit rule for speed control of dc
motor. En 2017 IEEE 7th International Advance Computing Conference
(IACC), pp. 482–486. IEEE.
Tan, W., Liu, J., Fang, F., y Chen, Y. (2004). Tuning of pid controllers for
boiler-turbine units. ISA transactions, 43(4):571–583.
Tao, G. (2003). Adaptive control design and analysis. John Wiley & Sons.
Van Amerongen, J. (1984). Adaptive steering of ships—a model reference approach.
Automatica, 20(1):3–14.
Whitaker, H. P., Yamron, J., y Kezer, A. (1958). Design of model-reference
adaptive control systems for aircraft. Massachusetts Institute of Technology,
Instrumentation Laboratory.
Willems, J. C., Rapisarda, P., Markovsky, I., y De Moor, B. L. (2005). A note
on persistency of excitation. Systems & Control Letters, 54(4):325–329.
Yang, Y., Zhou, C., y Ren, J. (2003). Model reference adaptive robust fuzzy
control for ship steering autopilot with uncertain nonlinear systems. Applied
Soft Computing, 3(4):305–316. Soft Computing for Control of Non-Linear
Dynamical Systems.
Ynineb, A. R. y Ladaci, S. (2022). Mrac adaptive control design for an f15
aircraft pitch angular motion using dynamics inversion and fractional-order
filtering. International Journal of Robotics and Control Systems, 2(2):240–
250.
Yoon, S. H. y Ahn, J. (2020). Comparative analysis of energy use and human
comfort by an intelligent control model at the change of season. Energies,
13(22).
Yuan, Y., Liang, S., Xiong, Q., Zhong, J., Zhang, Y., y Li, J. (2015). Temperature
control using hybrid control with mrac and ecs into a mimo microwave
heating process. Journal of Microwave Power and Electromagnetic Energy,
49(1):46–54.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Jesús Addí Oidor Valencia, Raúl Villafuerte Segura, Manuel Alejandro Ojeda Misses, Omar A. Domínguez Ramírez, Ventura Rodríguez Lugo, Heberto Gómez Pozos
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
