Control de aprendizaje iterativo de tipo PID robusto para sistemas cuadrados y no cuadrados no lineales

Área de la Ciencia:

• Ingeniería de sistemas de control
• Dinámica no lineal
• Teoría de control adaptativo

Sus antecedentes:

• Los métodos tradicionales de control de aprendizaje iterativo (ILC) a menudo acumulan información de control, lo que limita su aplicabilidad.
• El control de aprendizaje iterativo adaptativo (AILC) de tipo P existente tiene limitaciones en el manejo de matrices de ganancia de control desconocidas y en el logro de una convergencia robusta.
• Los sistemas no lineales con incertidumbres que varían iterativamente plantean desafíos de control significativos.

Objetivo del estudio:

• Proponer un nuevo método de control de aprendizaje iterativo adaptativo (AILC) tipo PID para sistemas no lineales.
• Para abordar sistemas con matrices de ganancia de control no especificadas y incertidumbres de variación iterativa limitada.
• Mejorar la robustez y la rapidez de convergencia en comparación con los métodos existentes.

Principales métodos:

• Desarrolló un algoritmo AILC de tipo PID que evita la acumulación de información de control.
• Información de error utilizada para la convergencia y la iteración confinada a la estimación de parámetros.
• Principios ILC extendidos a AILC de tipo PID para sistemas no lineales cuadrados y no cuadrados.
• Desigualdades empleadas de una función de energía compuesta (CEF) para el análisis de convergencia de errores.

Principales resultados:

• El método AILC de tipo PID propuesto demuestra un control eficaz de los sistemas no lineales.
• Se logró la convergencia simultánea de los términos de error integral y proporcional, mejorando la robustez.
• Validación de la eficacia mediante dos ejemplos ilustrativos.
• Mostró un aumento de dos a tres veces en la velocidad de convergencia en comparación con el AILC de tipo P.

Conclusiones:

• El nuevo AILC de tipo PID ofrece un enfoque superior para controlar sistemas no lineales con incertidumbres.
• El método proporciona una mayor solidez y una convergencia significativamente más rápida.
• Este trabajo avanza en el campo del control de aprendizaje iterativo adaptativo para sistemas complejos.