Modelado de Sistemas Dinámicos Utilizando Técnicas de Inteligencia Artificial
Barra lateral del artículo
Contenido principal del artículo
Resumen
En este trabajo se propone una metodología para modelar sistemas dinámicos utilizando técnicas de inteligencia artificial, particularmente modelado en base a datos. Como caso de estudio se utiliza el proceso de secado en una tambora rotativa, el cual contempla no linealidades y atrasos de transporte en su comportamiento dinámico. A partir de un modelo en espacio de estados de este proceso, se generan los datos de entrenamiento y validación para el modelo en base a datos. Se establece una estructura inicial del modelo utilizando un predictor general para identificación de sistemas dinámicos. Para desarrollar la metodología de modelado se analizan tres técnicas de modelado en base a datos, dos de estas están basadas en lógica difusa y la tercera en sistemas neuro-difusos. Para establecer los alcances que este tipo de técnicas pueden tener para diseñar sistemas de control, se presentan resultados de simulación obtenidos con el modelo en base a datos funcionando en un esquema a lazo cerrado.
Detalles del artículo
Usted es libre de:
Compartir— copiar y redistribuir el material en cualquier medio o formato para cualquier propósito, incluso comercialmente.
Adaptar— remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia
Bajo los siguientes términos:
Atribución— Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios . Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
No hay restricciones adicionales — No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a hacer cualquier uso permitido por la licencia.
Referencias
G. Dubois, Modeling and Simulation, Frist ed. Boca Raton: CRC Press, 2018.
S. J. M. Costa and K. Uzay, Fuzzy decision making in modeling and control vol. 27: World Scientific, 2002.
H. Hellendoorn and D. Driankov, Fuzzy model identification: selected approaches: Springer Science & Business
Media, 2012.
E. P. Klement and W. Slany, "Fuzzy logic in artificial intelligence," Christian Doppler Laboratory Technical
Reports, vol. 67, 1994.
E. H. Mamdani and S. Assilian, "An experiment in linguistic synthesis with a fuzzy logic controller," International
Journal of Man-Machine Studies, vol. 7, pp. 1-13, 1975/01/01/ 1975.
T. Takagi and M. Sugeno, "Fuzzy identification of systems and its applications to modeling and control," IEEE
transactions on systems, man, and cybernetics, pp. 116-132, 1985.
J. S. R. Jang, "ANFIS: adaptive-network-based fuzzy inference system," Systems, Man and Cybernetics, IEEE
Transactions on, vol. 23, pp. 665-685, 1993.
L. Yliniemi, "Advanced Control of a Rotary Dryer," Process Engineering, University of Oulu, Oulu, 1999.
P. Feldmann and R. W. Freund, "Efficient linear circuit analysis by Padé approximation via the Lanczos process,"
IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, vol. 14, pp. 639-649, 1995.
S. L. Chiu, "Fuzzy model identification based on cluster estimation," Journal of Intelligent & fuzzy systems, vol. 2,
pp. 267-278, 1994.
J. C. Bezdek, "Cluster validity with fuzzy sets," 1973.