El control de sistemas complejos se basa en resolver problemas en sistemas no lineales, los cuales generalmente son inestables. Un ejemplo de dicho sistema es el robot de auto equilibrio de dos ruedas, un problema típico en el área de modelado y control de sistemas, y un desafío intrigante para entender y controlar. Este artículo tiene como objetivo observar las diferentes características de tres métodos de control existentes en un sentido general, comenzando con el control clásico utilizando el bien conocido PID, seguido por las matemáticas de las funciones candidatas de Liapunov, y finalmente revisando la contribución de los algoritmos de redes neuronales artificiales (ANN). El control PID, el control de Liapunov y el control de redes neuronales artificiales son tres técnicas de control diferentes que pueden ser utilizadas para rechazar perturbaciones en sistemas no lineales. Cada una de estas técnicas tiene sus propias ventajas y desventajas en términos de su capacidad para rechazar perturbaciones en sistemas no lineales. El control PID es una técnica de control bien establecida que puede utilizarse para controlar una amplia variedad de sistemas, incluidos los sistemas no lineales, pero puede no ser tan efectivo para rechazar perturbaciones en sistemas no lineales, ya que la respuesta del controlador puede no ser lo suficientemente rápida o precisa para compensar las perturbaciones. El control de Liapunov es una técnica de control basada en la teoría matemática de la estabilidad y utiliza una función de Liapunov para garantizar la estabilidad del sistema. El control de redes neuronales artificiales se basa en el aprendizaje automático y utiliza una red neuronal para modelar el comportamiento del sistema y generar una señal de control adecuada. Este artículo realiza una comparación entre estos controladores, dando un paso desde el control clásico hacia algunas de las técnicas de control actuales.
15 July 2023 in Ciencia Latina Revista Científica Multidisciplinar
En un mundo digitalizado, los sistemas de control son fundamentales en campos que van desde la automatización hasta los vehículos autónomos. Tradicionalmente, estos sistemas se basan en tecnologías robustas como PLC, DAQ, etc. pero su costo es elevado cuando se requieren soluciones para problemas específicos. Como alternativa, las plataformas de hardware de código abierto ofrecen una opción asequible y flexible para implementar sistemas de control sofisticados a un costo inferior. Al adoptar técnicas de control modernas como MPC (Control Predictivo Modelado) y ANN (Redes Neuronales Artificiales), estas soluciones pueden alcanzar nuevos niveles de precisión y eficiencia en términos de exactitud y robustez. La combinación de Arduino con técnicas de control modernas puede ser significativamente más económica en comparación con el hardware con licencia, rompiendo barreras de costo en cuanto a la flexibilidad para evaluar sistemas de control, ya que facilitan la experimentación y la iteración rápida, lo que permite probar nuevas ideas y técnicas de control con bajo riesgo y costo. Finalmente, al combinar hardware de código abierto con MPC y ANN, se logra una gran adaptabilidad, ya que los sistemas basados en ANN pueden "aprender" y adaptarse a condiciones cambiantes, lo que no es posible con sistemas de control tradicionales como PID.