Comparación de Dos Programas Basados en Redes Neuronales para Identificación de Procesos, Aplicados a una Columna de Destilación y al Actuador Hidráulico de una Grúa

Resumen: Se reporta la comparación de dos programas en la identificación de dos procesos, uno de ellos un programa neurodifuso (ANFIS – Adaptive Neuro-Fuzzy Inference System) y el otro de Redes Neuronales (NNSYSID20), el primero es un programa general que se adaptó en la medida de lo posible al área de control y el segundo es un programa especialmente creado para su uso en esta área. La comparación se realiza a través de ejemplos de referencia (benchmark) encontrados en la literatura, uno de ellos una columna de destilación y el segundo el actuador hidráulico de una grúa, hasta donde se conoce, en la literatura no existe este tipo de comparaciones y en medio de la abundancia de software dedicado tanto a redes neuronales como a sistemas difusos, quisimos señalar lo que nos ha parecido algo práctico, didáctico y sencillo de utilizar. En ambos equipos se trabajan ejemplos SISO, pero en la columna también se presenta el caso MISO con dos entradas y una salida. Con base en los resultados obtenidos, podemos asegurar que se logra la identificación de los sistemas con un error y un número de parámetros adecuado. Los programas ANFIS y NNSYSID20 son de software libre que se encuentra en internet, aunque es necesaria la plataforma de Matlab®.

¿Cómo citar?

Enrique Quintero Mármol Márquez, Luis Ariel Doñate Alcázar, Luis Gerardo Vela Valdés & Omar E. Quintero Mármol Sánchez. Comparación de Dos Programas Basados en Redes Neuronales para Identificación de Procesos, Aplicados a una Columna de Destilación y al Actuador Hidráulico de una Grúa. Memorias del Congreso Nacional de Control Automático, pp. 365-370, 2018.

Palabras clave

Identificación Procesos, Redes Neuronales, Lógica Difusa, ANFIS, Columnas de Destilación

• Eskinat, E., S.H. Johnson, W.L. Luyben. “Use of Hammerstein models in identification of nonlinear systems”. AIChE Journal, vol. 37, no.2, 1991
• Henson, M.A., D.E. Seborg, editors. Nonlinear Process Control. Prentice Hall, 1997
• Hunt, K, G. Irwin, K. Warwick. Neural Network Engineering in Dynamic Control Systems. Springer-Verlag, 1995
• Jang, J., C. Sun, E. Mizutani. Neuro-Fuzzy and Soft Computing. Prentice Hall 1997
• Luyben, W.L. Process Modeling, Simulation and Control for Chemical Engineers. McGraw-Hill, 1990 2nd ed.
• MathWorks, File Exchange, https://la.mathworks.com/matlabcentral/fileexchange/87- nnsysid https://la.mathworks.com/matlabcentral/fileexchange/86- nnctrl https://la.mathworks.com/matlabcentral/fileexchange/2173- neuro-fuzzy-and-soft-computing
• Mrugalski, M. Advanced Neural Network-Based Computational Schemes for Robust Fault Diagnosis. Springer International Publishing, 2014
• Norgaard, M., O. Ravn, N.K. Poulsen, L.K. Hansen. Neural Networks for Modelling and Control of Dynamic Systems. Springer-Verlag 2000
• Patan, K._Artificial neural networks for the modelling and fault diagnosis of technical processes. Springer-Verlag, 2008
• Poznyak, A.S., E.N. Sanchez, W. Yu. Differential Neural Networks for Robust Nonlinear Control. World Scientific Publishing Co., 2001
• Rumelhart, D.E., G.E. Hinton, R.J. Williams. Learning internal representations by error propagation. In D.E. Rumelhart and J.L. McClelland, editors, Paralel distributed processing: explorations in the microsteructure of cognition, volumen 1, chapter 8, pages 318-362. MIT Press, 1986