CONTROL ÓPTIMO LINEAL BASADO EN ALGORITMOS GENÉTICOS PARA LA REGULACIÓN DE FLUJO EN UN BANCO DE PRUEBAS PILOTO

• Gustavo Colmenarez Universidad Privada Dr. Rafael Belloso Chacín; 2Universidad del Zulia
• Kenneth Rosillon Universidad Privada Dr. Rafael Belloso Chacín; 2Universidad del Zulia

DOI: https://doi.org/10.5281/zenodo.13174986

Palabras clave: Algoritmos Genéticos, Banco de Pruebas, Control Óptimo Lineal, Flujo, Optimización Multiobjetivo

Resumen

La presente investigación tuvo como objetivo principal proponer un controlador óptimo lineal basado en algoritmos genéticos para la regulación de flujo en un banco de pruebas piloto para válvulas neumáticas del laboratorio de instrumentación y control de la Escuela de Ingeniería Mecánica en la Universidad del Zulia. La misma estuvo sustentada teóricamente por (Ogata K. , 1996), (Ogata K. , 2010), (Aström & Hägglund, 2009), (Ljung, 1998), (Holland, 1992), (Mitchell, 1996), (Goldberg, 1989), para la variable de estudio: Controlador Óptimo Lineal basado en Algoritmos Genéticos. La metodología utilizada en la investigación fue descriptiva de diseño no experimental. La investigación estuvo constituida por cuatro fases. Inicialmente la Descripción del funcionamiento del banco de pruebas piloto, seguidamente Modelado matemático del proceso de flujo en el banco de pruebas piloto, luego el Diseño de un controlador óptimo lineal basado en algoritmos genéticos y finalmente Validación mediante simulaciones el comportamiento del control óptimo lineal basado en algoritmos genéticos. Como resultados se obtuvieron en cuanto a la identificación de sistemas y determinación del modelo matemático, que el sistema se ajustó en su dinámica a la estructura BJ11220 siendo un sistema de segundo orden arrojando aproximadamente 82.77% de ajuste. Así mismo se adaptó la estructura del algoritmo genético simple para la sintonización de los parámetros de cálculo del control óptimo lineal dando como resultado que el sistema converge a una solución óptima en un tiempo acotado. Finalmente estos resultados fueron cotejados con varias arquitecturas de control diseñadas para el banco de pruebas donde se obtuvieron resultados satisfactorios al mostrarse una respuesta más rápida y con menor error en todos los casos.

Citas

Anderson, B., & Moore, J. (1989). Optimal Control. Linear Quadratic Methods (1era ed.). Englewood Cliffs: Prentice Hall International.

Aström, K., & Hägglund, T. (2009). Control PID avanzado (1era ed.). Madrid, España: Pearson Educación.

Balestrini, M. (2002). Como se elabora el proyecto de investigación (6ta ed.). Caracas: BL Consultores Asociados.

Çengel, Y., & Cimbala, J. (2006). Fluids Mechanics. Fundamentals and applications (1era ed.). New York, USA: McGraw-Hill.
Chen, D., Zheng, S., & Wang, H. (2012). Genetic algorithm based LQR vibration wireless control of laminated plate using photostrictive actuators. Earthquake engineering and engineering vibration, 11(1), 83-90. doi:10.1007/s11803-012-0100-x

Creus, A. (1997). Instrumentación industrial (6ta ed.). Barcelona, España: Marcombo.

Dchich, K., Zaafouri, A., & Chaari, A. (2015). On Riccati-Genetic Algorithms Approach for Non-convex Problem Resolution. Case of Uncertain Linear System Quadratic Stabilization. Recent Advances on Electroscience and Computers, 148-153.

Friedland, B. (1986). Control system desing: an introduction to state-space methods (1era ed.). New York: McGraw-Hill.

Ghoreishi, S., & Nekoui, M. (2012). Optimal Weighting Matrices Design for LQR Controller Based on Genetic Algorithm and PSO. Advanced Materials Research, 433-440, 7546-7553. doi:10.4028/www.scientific.net/AMR.433-440.7546

Goldberg, D. (1989). Genetic Algorithms in Search, Optimization and Machine Learning (1era ed.). Boston: Addison-Wesley.

Gómez, M. (2006). Introducción a la metodología de la investigación científica (1era ed.). Córdoba: Editorial Brujas.

Gurevich, V. (2006). Electric Relays. Principles and applications. Boca Raton, Florida: CRC Press.

Hernández, R., Fernández, C., & Baptista, M. (2010). Metodología de la investigación (5ta ed.). México: Mc Graw Hill.

Holland, J. (1992). Adaptation in Natural and Artificial Systems (2da ed.). MIT Press.

Kukreti, S., Walker, A., Putman, P., & Cohen, K. (2015). Genetic Algorithm Based LQR for Attitude Control of a Magnetically Actuated CubeSat. Foro AIAA SciTech. Kissimmee, Florida: Instituto Americano de Aeronáutica y Astronáutica. doi:10.2514/6.2015-0886

Ljung, L. (1998). System Identification: Theory for the User (2da ed.). Prentice Hall.
Mitchell, M. (1996). An introduction to genetic algorithms. Cambridge: The MIT Press.
Nagarkar, M., & Vikhe, G. (Abril de 2016). Optimization of the linear quadratic regulator (LQR) control quarter car suspension system using genetic algorithm. Ingeniería e Investigación, 36(1), 23-30. doi:http://dx.doi.org/10.15446/ing.investig.v36n1.49253

Ogata, K. (1996). Sistemas de control en tiempo discreto (2da ed.). México: Prentice Hall.

Ogata, K. (2010). Ingeniería de control moderna (5ta ed.). Madrid, España: Pearson Educación.

Pallela, S., & Martins, F. (2012). Metodología de la Investigación Cuantitativa. Caracas: FEDUPEL.

Rosillon, K. (2014). Controlador PID Dual Loop adaptativo de la variable flujo en un banco de pruebas para válvulas neumáticas. Maracaibo: Universidad Privada Dr. Rafael Belloso Chacín.

Sabino, C. (2007). El Proceso de Investigación. Caracas: Editorial Panapo.

Söderström, T., & Stoica, P. (1989). System Identification (1era ed.). Prentice Hall.

Soto. (2012). Automatización e implementación de un sistema de prueba para válvulas neumaticas bajo ambiente labview. Maracaibo: Universidad del Zulia.

Zubicaray, M. (2000). Bombas. Teoría, diseño y aplicaciones (2da ed.). México: Editorial Limusa.