Control predictivo generalizado basado en el modelo gris de intervalo con operador de amortiguador adaptativo para sistemas de movimiento de patrones | JoVE Visualize

Área de la Ciencia:

Ingeniería de control
Análisis de sistemas complejos
Optimización de los procesos industriales

Sus antecedentes:

Los sistemas de movimiento de patrones, comunes en procesos industriales como la sinterización y los hornos de cemento, son sistemas complejos no lineales gobernados por leyes estadísticas.
Los métodos de control existentes luchan por capturar las propiedades estadísticas de estos sistemas utilizando variables deterministas, a menudo pasando por alto su naturaleza inherente o tratándolos como estocásticos.
Esta limitación requiere estrategias de control avanzadas capaces de abordar los desafíos únicos planteados por los sistemas de movimiento de patrones.

Objetivo del estudio:

Desarrollar una nueva estrategia de control que capte con precisión los atributos estadísticos de los sistemas de movimiento de patrones.
Mejorar la precisión del seguimiento de las transiciones de patrones dinámicos en procesos industriales complejos.
Mejorar las capacidades de rechazo de perturbaciones para sistemas complicados e inciertos.

Principales métodos:

Propuso un nuevo Interval Grey Adaptive Buffer Generalized Predictive Control (IGAB-GPC) utilizando el marco de mapeo bidireccional bajo la teoría del movimiento de patrones (PMT).
Incorpora un operador de amortiguador adaptativo para mitigar las oscilaciones en las secuencias de clases de patrones basadas en la monotonía.
Desarrolló un modelo de predicción basado en el Interval Grey Model IGM ((1,2)) para el análisis de incertidumbre e implementó un esquema de control GPC con optimización del horizonte de retroceso y corrección de retroalimentación.

Principales resultados:

El IGAB-GPC demostró un rendimiento de seguimiento superior en comparación con el CARIMA-GPC e IG-GPC, reduciendo los errores de seguimiento en aproximadamente dos órdenes de magnitud.
Se obtuvo un error absoluto medio (MAE) de 0,0056 y un error cuadrado medio de raíz (RMSE) de 0,0074, lo que indica una alta precisión.
El operador de amortiguador adaptativo integrado, el modelado de sistema gris y GPC manejaron efectivamente la incertidumbre del sistema y mejoraron el rechazo de perturbaciones.

Conclusiones:

La estrategia IGAB-GPC cuantifica efectivamente las variables de las categorías de patrones y rastrea con precisión las transiciones dinámicas de patrones en sistemas complejos no lineales.
El nuevo enfoque mejora significativamente la precisión del control y el rechazo de perturbaciones para procesos industriales caracterizados por dinámicas de movimiento de patrones.
Este trabajo proporciona un marco sólido para controlar sistemas complicados e inciertos desde una perspectiva dinámica de patrones.