Título: Control de un sistema multivariable no lineal y en fase no mínima empleando un controlador predictivo neuronal
Autor: Calle Chojeda, Elmer; Oliden Semino, José; Ipanaqué Alama, William
Resumen: [EN] In this paper, a Neural Predictive Controller (ANN-MPC) is proposed to control a nonlinear quadruple tank system, which is complex to control due to the nonlinearity of its valves and the interaction between its controlled variables. In addition, the problem is aggravated since the process presents a transient response with inverse dynamics due to being in a non-minimum phase. The ANN-MPC employs a modular artificial neural network framework and the Levenberg-Marquardt training algorithm to more accurately and quickly estimate nonlinear process outputs and avoid model overfitting. Operational data was generated from the plant to train the neural network using Matlab. The performance of the ANN-MPC under reference changes was tested and compared with a linear MPC and a non-linear MPC. The simulation results showed that the ANN-MPC produced a shorter settling time than the linear MPC and generated RMSE values of the outputs similar to those of the NMPC. In addition, the computation time required to calculate the optimal control variable was reduced compared to the NMPC.[ES] En este artículo se propone un Controlador Predictivo Neuronal (ANN-MPC) para controlar un sistema no lineal de tanque cuádruple, el cual es complejo de controlar debido a la no linealidad de sus válvulas y a la interacción entre sus variables controladas. Además, el problema se agrava ya que el proceso presenta una respuesta transitoria con dinámica inversa por estar en fase no mínima. El ANN-MPC emplea una estructura modular de red neuronal artificial y el algoritmo de entrenamiento Levenberg-Marquardt para estimar con mayor precisión y rapidez las salidas del proceso no lineal y evitar el sobreajuste del modelo. Se generaron datos operativos a partir de la planta para entrenar la red neuronal empleando Matlab. Se probó el rendimiento del ANN-MPC ante cambios de referencia y se comparó con un MPC lineal y un MPC no lineal. Los resultados de simulación mostraron que el ANN-MPC produjo un menor tiempo de establecimiento que el MPC lineal y generó valores RMSE de las salidas similares a los del NMPC. Además, se redujo el tiempo de cómputo requerido para calcular la variable de control óptima comparado con el NMPC.
