Identificación del modelo de bomba de aire de ventilación que utiliza la regresión del momento de la cresta y la...

Área de la Ciencia:

• Ingeniería
• Sistemas de control
• Ingeniería biomédica

Sus antecedentes:

• Los ventiladores mecánicos son críticos para el apoyo respiratorio durante las pandemias.
• El modelado preciso de las unidades de generación de aire por ventilación presenta desafíos debido a las incertidumbres del sistema y los parámetros que varían en el tiempo.
• Las técnicas de modelado existentes luchan con dinámicas complejas y recursos computacionales limitados.

Objetivo del estudio:

• Desarrollar un nuevo y robusto algoritmo para identificar modelos de promedio móvil autorregresivos (ARMA) en bombas de ventilación.
• Mejorar la estabilidad y la adaptabilidad de la identificación de modelos para sistemas que varían en el tiempo.
• Optimizar la selección de los pedidos de modelos ARMA y los parámetros de retraso.

Principales métodos:

• Implementación de la regresión de Ridge modificada con el momento (Ridge-M).
• Integración de una estrategia de búsqueda en red para la optimización conjunta de los pedidos de modelos y los retrasos en el tiempo.
• Utilización del criterio de información Akaike (AIC) para la selección de la estructura del modelo.
• Validación experimental mediante señales de entrada en rampa y en varios pasos.

Principales resultados:

• Ridge-M demostró un rendimiento superior en la captura de comportamientos dinámicos del sistema en comparación con los mínimos cuadrados recursivos (RLS) y la regresión de Ridge estándar.
• Ridge-M logró una reducción promedio del error cuadrado de la raíz media (RMSE) del 2,7% en comparación con RLS y del 6,8% en comparación con la regresión estándar de Ridge para entradas de varios pasos.
• La regresión de Ridge estándar mostró una ligera ventaja para las entradas de rampa, mientras que Ridge-M arrojó el RMSE promedio general más bajo (31.6236).

Conclusiones:

• El algoritmo Ridge-M propuesto ofrece un enfoque estable y adaptable para la identificación del modelo de ventilador mecánico.
• Este método es adecuado para aplicaciones incrustadas con datos ruidosos, sistemas que varían en el tiempo y un poder computacional limitado.
• Los resultados contribuyen a mejorar la fiabilidad y el rendimiento de los equipos respiratorios esenciales.