Control predictivo generalizado basado en el modelo gris de intervalo con operador de amortiguador adaptativo para...

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.