Aplicação de algoritmo de controle preditivo neural NNMPC em mancal híbrido ativo

• Autor: Pizarro Viveros, Henry
• Formato: tesis doctoral
• Fecha de Publicación: 2018
• Institución: Superintendencia Nacional de Educación Superior Universitaria
• Repositorio: Registro Nacional de Trabajos conducentes a Grados y Títulos - RENATI
• Lenguaje: portugués
• OAI Identifier: oai:renati.sunedu.gob.pe:renati/1385
• Enlace del recurso: http://renati.sunedu.gob.pe/handle/sunedu/952752
• Nivel de acceso: acceso abierto
• Materia: Redes neurales (Computación); Control predictivo; Cojinetes (Maquinaria); http://purl.org/pe-repo/ocde/ford#2.03.01

Las innumerables aplicaciones industriales muestran la gran importancia de las máquinas rotativas en las diferentes etapas del sistema de producción y también las graves consecuencias económicas de posibles fallos de funcionamiento. El rodamiento es el elemento principal que define las características dinámicas de las máquinas rotativas y está diseñado para funcionar en un cierto rango de operación que en situaciones imprevistas puede no ser lo más apropiado. A través del control activo, es posible cambiar las características dinámicas del rodamiento y reducir las posibles inestabilidades del sistema al mejorar el rango operativo. Para este propósito, se propone el algoritmo de control predictivo del modelo de red neuronal (NNMPC), que necesita una identificación neuronal de la planta para predecir las salidas futuras del sistema y así resolver el problema de optimización cuadrática para calcular las señales de control óptimas. Por lo tanto, se controlará el desplazamiento del rotor bajo una ruta de referencia. El primer algoritmo estudiado fue el NNMPC-SISO. El proceso de identificación neuronal del sistema se realizó utilizando datos numéricos del sistema obtenidos de las ecuaciones no lineales representadas en Simulink para una velocidad de rotación fija de 30 Hz (1800 rpm). El segundo algoritmo estudiado fue el NNMPC-MIMO. Para la identificación multivariable de la planta, se utilizaron datos experimentales obtenidos del banco de pruebas para diferentes amplitudes de excitación a una velocidad de rotación fija de 20 Hz (1200 rpm). Esta identificación se realizó utilizando una red neuronal NARX MIMO que utilizó las entradas de excitación u1 y u2 y nuevas entradas adaptadas a las formas de las ecuaciones no lineales del sistema. Los resultados del algoritmo NNMPC-SISO mostraron que para la identificación el número de neuronas necesarias era 10 y el algoritmo de entrenamiento era Levenberg-Marquardt. El control del desplazamiento del rotor bajo la ruta de referencia era aceptable incluso en condiciones de perturbación externa. o velocidades de rotación no consideradas al entrenar la red neuronal (20 y 40 Hz). Los resultados del algoritmo NNMPC-MIMO para la identificación multivariable mostraron que el aumento de las entradas dio como resultado una mejora significativa en el proceso de identificación porque era posible mejorar la generalización del conocimiento sobre las características no lineales de la planta. Para esto, se necesitaron 20 neuronas y el algoritmo de entrenamiento de regularización bayesiana. El control, por otro lado, pudo mantener el desplazamiento del rotor en la trayectoria de referencia en cualquier cuadrante deseado, incluso considerando la perturbación debida al desequilibrio y al ruido.