Carlos Alberto Saldaña

Carlos Alberto Saldaña

Auto-generated profile, based on publicly available information

Carlos Alberto Saldaña

Universidad de Cantabria, Santander, España

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
15 July 2023 in Ciencia Latina Revista Científica Multidisciplinar
Verified
Journal Article
Open access
PDF file
CSCarlos Alberto Saldaña
Carlos Alberto Saldaña
ARAlfredo Ramón Tumbaco Reyes
Alfredo Ramón Tumbaco Reyes
FGFranklin Illich Kuonquí Gaínza
Franklin Illich Kuonquí Gaínza
PBPatricia Isabel Pasmay Bohórquez
Patricia Isabel Pasmay Bohórquez
CVCecibell Alexandra Malave Vivar
Cecibell Alexandra Malave Vivar
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
Verified
Journal Article
Open access
PDF file
DEDavid Eduardo Sánchez Espinoza
David Eduardo Sánchez Espinoza
FMFernando Chamba Macas
Fernando Chamba Macas
CFCarlos Christian Cruz Freire
Carlos Christian Cruz Freire
JMJosé Aguilar Malavé
José Aguilar Malavé
CSCarlos Alberto Saldaña
Carlos Alberto Saldaña
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.