Grupo de investigaciónMecatrónica · Procesamiento de señales · Control · Redes neuronales

Control adaptativo

Esta página se está actualizando; vuelva a visitarla pronto.

Control avanzado de plantas de tratamiento de aguas residuales

Modelo dinámico adaptativo en tiempo real para el control avanzado y el desarrollo en instalaciones de recuperación de recursos hídricos [1].

En el filtro de Kalman extendido, la tasa de covarianza y el equilibrio entre el ruido de la línea de la planta y el de los sensores dependen de dos parámetros de ajuste, la matriz de covarianza del proceso y la matriz de covarianza del ruido de medida, que son las covarianzas del error del estado y de la medida [1].

El EKF es un método recursivo de estimación del estado para modelos de proceso y de medida no lineales; es un estimador de estado óptimo en el sentido de que minimiza la varianza del error [1].

Gráfica de los valores de covarianza del proceso a lo largo del tiempo discreto
Matriz de covarianza del proceso [1]
Gráfica de la convergencia de la ganancia de Kalman a lo largo del tiempo discreto
Valores de la ganancia de Kalman durante la convergencia de la covarianza del modelo de estado [1]
Diagrama de bloques: el proceso real y el filtro de Kalman extendido, cada uno con su modelo de estado y sus ecuaciones de salida, enlazados por la ganancia del filtro de Kalman
Metodología propuesta para aplicar el filtro de Kalman extendido [1]

Redes neuronales artificiales para identificación y control adaptativos

La tecnología adaptativa utiliza modelos neuronales con retropropagación del error y aplica el método de descenso del gradiente para la adaptación muestra a muestra. Los modelos neuronales de orden superior se han implementado en lenguaje Python.

Existen varios tipos de metodologías adaptativas, como las redes neuronales multicapa, las redes neuronales de orden superior, los mapas autoorganizados adaptativos y las redes neuronales adaptativas de función de base radial, entre otras.

Arquitectura del proyecto: adquisición de la señal EMG como entrada, procesamiento de la señal e interfaz gráfica, y control de la mano robótica como salida
Arquitectura general del proyecto [8]

Control adaptativo para sistemas industriales

Próximamente, más información.

Métodos adaptativos para el control de sistemas hidráulicos

Próximamente, más información.

Métodos adaptativos para el procesamiento de señales y datos

La técnica del umbral adaptativo es una de las partes más importantes del método de detección. El umbral adaptativo se aplica mediante un par de límites: el umbral límite superior y el umbral límite inferior.

Por lo general, el umbral adaptativo se determina a partir de una cantidad de datos recientes. Este trabajo utiliza un par de umbrales (superior e inferior), que se inicializan en función del valor máximo alcanzado en la trama actual.

Diagrama de bloques: señal EMG, derivada, envolvente, umbral y detección de los picos de tensión
Diagrama de bloques del proceso de análisis de la señal EMG [9]
Envolvente de la transformada de Hilbert con los umbrales adaptativos superior (rojo) e inferior (verde)
La línea roja representa el umbral límite superior y la línea verde, el umbral límite inferior [7].

Referencias

  1. Ricardo Rodríguez Jorge, A grey-box model for real-time control and monitoring, Lecture Notes in Networks and Systems – Proceedings of the 19th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC-2024), Springer Nature Switzerland AG, San Benedetto del Tronto, Italy, November 13-15, 2024 (Web of Science, SCOPUS).
  2. Cristina Rodríguez-García, Cesar Arenas, Saioa Arrizabalaga, Luis V. Varcárcel, Ricardo Rodríguez-Jorge, Itxaro Errandonea, Decision support tool for WWTP operations: DARROW project case study, póster, en: Book of Abstracts. IWA Young Water Professionals Spain Conference 2024.
  3. Cuong Nguyen Cong, Ricardo Rodriguez-Jorge, Nghien Nguyen Ba, Chuong Trinh Trong, Nghia Nguyen An, Design of Optimal PI Controllers using the Chemical Reaction Optimization Algorithm for Indirect Power Control of a DFIG model with MPPT, In: Web, Artificial Intelligence and Network Applications. WAINA 2020. Advances in Intelligent Systems and Computing, vol 1150. Springer, Cham (Web of Science, Core Rank B). April 2020.
  4. N. B. Nghien, Rodriguez-Jorge, Ricardo, Building an Early Warning Model for Detecting Environmental Pollution of Wastewater in Industrial Zones. In: Barolli L., Hellinckx P., Natwichai J. (eds) Advances on P2P, Parallel, Grid, Cloud and Internet Computing. 3PGCIC 2019. Lecture Notes in Networks and Systems, vol 96. Springer, Cham. (Web of Science, Proceedings Citation Index).
  5. J.U. Reyes Munoz, E.A. Martínez-García, R. Rodriguez Jorge, R. Torres-Cordoba, Chapter: Wheeled Robot Planning Using an Underactuated Mechanism for Absolute Goal-Direction, Book: Kinematics, IntechOpen, Croatia, ISBN: 978-953-51-5624-6. (Web of Science, Book Citation Index, EBSCO A-to-Z).
  6. Rodriguez Jorge, R., Bila, J., Mizera-Pietraszko, J., Loya Orduño, R. E., Martinez Garcia, E., & Torres Córdoba, R. (2017). Adaptive methodology for designing a predictive model of cardiac arrhythmia symptoms based on cubic neural unit. In Frontiers in Artificial Intelligence and Applications (Vol. 295, pp. 232–239). IOS Press. https://doi.org/10.3233/978-1-61499-773-3-232.
  7. Cancino Herrera, José Elías; Rodríguez Jorge, Ricardo; Vergara Villegas, Osslan Osiris; Cruz Sánchez, Vianey Guadalupe; Bila, Jiri; Nandayapa Alfaro, Manuel de Jesus; Ponce, Israel U.; Soto Marrufo, Ángel Israel; Flores Abad, Ángel, “Monitoring of Cardiac Arrhythmia Patterns by Adaptive Analysis,” 2016 11th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC), November 2016, Asan, Korea.
  8. Rodriguez Jorge, R., García, E. M., Córdoba, R. T., Bila, J., & Mizera-Pietraszko, J. (2017). Adaptive Threshold, Wavelet and Hilbert Transform for QRS Detection in Electrocardiogram Signals (pp. 777–786). https://doi.org/10.1007/978-3-319-69835-9_73
  9. Tesis de licenciatura: «Development of a control system for a hand-held robotic prosthesis through the processing of myoelectric signals», de Mauricio Pérez Lozano, para obtener el título de Ingeniería en Mecatrónica. Programa de Mecatrónica, Universidad Autónoma de Ciudad Juárez. Mayo 2017. (Dirección: Dr. Ricardo Rodríguez Jorge).
  10. Tesis de licenciatura: «Control of a robotic hand integrated by means of myoelectric signals», de Laura Ivonne Figueroa Puebla, para obtener el título de Ingeniería en Mecatrónica. Programa de Mecatrónica, Universidad Autónoma de Ciudad Juárez. Dic. 2017. (Dirección: Dr. Ricardo Rodríguez Jorge).
  11. Ricardo Rodriguez, Ivo Bukovsky, Noriasu Homma. “Potentials of Quadratic Neural Unit for Applications”. International Journal of Software Science and Computational Intelligence (IJSSCI), Volume 3, Issue 3, pp. 1-12, July-September 2011. DOI: 10.4018/IJSSCI.2011070101, ISSN: 1942-9045, EISSN: 1942-9037.
  12. Rodriguez Jorge, Ricardo, “Artificial Neural Networks: Challenges in Science and Engineering Applications,” Proceedings of 8th International Conference on Applications of Digital Information and Web Technologies 2017, Ciudad Juarez, Chihuahua, Mexico.
  13. Rodriguez Jorge, Ricardo; Bila, Jiri; Mizera-Pietraszko, Jolanta; Martinez-Garcia, Edgar A., Weight Adaptation Stability of Linear and Higher-Order Neural Units for Prediction Applications, Proceedings of the 11th International Conference MISSI 2018. (Web of Science, Proceedings Citation Index).
  14. Cuong Nguyen Cong, Ricardo Rodriguez-Jorge, Nghien Nguyen Ba, Chuong Trinh Trong, Nghia Nguyen An, Design of Optimal PI Controllers using the Chemical Reaction Optimization Algorithm for Indirect Power Control of a DFIG model with MPPT, In: Web, Artificial Intelligence and Network Applications. WAINA 2020. Advances in Intelligent Systems and Computing, vol 1150. Springer, Cham (Web of Science, Core Rank B). April 2020.