Control de temperatura, posición y velocidad en la maleta de entrenamiento Siemens usando técnicas de Machine Learning en un dispositivo Edge Computing

• Autores: Ballon Maura, Alejandro Daniel, Temoche Medina, Ricardo Anthony
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/522
• Enlace del recurso: https://hdl.handle.net/20.500.12815/522
• Nivel de acceso: acceso abierto
• Materia: Sistemas de control con retroalimentación; Equipos y suministros de laboratorio; Aprendizaje automático; Computación perimetral; Controladores PID; Feedback control systems; Laboratory equipment & supplies; Machine Learning; Edge computing; PID controllers; https://purl.org/pe-repo/ocde/ford#2.00.00

En el presente trabajo de investigación se implementan sistemas de control re-alimentados para regular la velocidad y posición de un motor brushless DC, así como la temperatura generada por una resistencia calefactora. Las implementaciones emplean técnicas de Machine Learning, específicamente el Proceso Gaussiano y una Red Neuronal Anticipativa (RNA) con el fin de predecir la respuesta de las variables físicas del sistema. Posteriormente, se determinan los parámetros óptimos del controlador PID (Proportional Integral Derivative) mediante un enfoque basado en descenso de gradiente. Con fines comparativos, se desarrollan también sistemas de control empleando un PID convencional. Las simulaciones de los sistemas se realizan en MATLAB/Simulink y las implementaciones se llevan a cabo en la Maleta de Entrenamiento Siemens del laboratorio de Sistemas de Control de la Universidad de Ingeniería y Tecnología. Además, se implementa una arquitectura de control alineada con la norma ISA 95, conformada por un PLC, una laptop que actúa como dispositivo de Edge Computing, y un HMI, considerando además los lineamientos de la norma ISA-101 para supervisión y monitoreo. El dispositivo de Edge Computing ejecuta los sistemas de control PID con y sin Machine Learning y se comunica con el PLC a través del protocolo OPC UA mediante el software KEPServerEX. Los resultados indican que el controlador PID optimizado con Proceso Gaussiano presenta un desempeño ligeramente superior al PID con Red Neuronal Anticipativa, mientras que ambos muestran una mejora clara respecto al PID convencional.