Aportaciones Teóricas
Identificación para control
Actualmente se investiga en el uso de técnicas de softcomputing en el contexto de la identificación para el control. Concretamente, se proponen estructuras de modelos de caja negra basados en redes neuronales recurrentes, sistemas borrosos y sistemas neuroborrosos, múltiples modelos, etc. y metodologías para la identificación de sus parámetros. La validación de los modelos obtenidos se lleva a cabo en diferentes contextos como en predicción, control, estimación de estados, optimización de la operación, etc.
Control predictivo basado en técnicas de Inteligencia Artificial
Las formulaciones planteadas aquí se basan en el uso de esquemas de Control Predictivo basado en modelos neuronales y neuroborrosos. Concretamente se ha trabajado en representaciones en variables de estado del sistema, estudiando aspectos relacionados con la estabilidad y el análisis de la respuesta temporal en función de las características del modelo.
En la actualidad se están investigando soluciones de Control Predictivo en lazo cerrado y métodos de sintonía automática basada en la optimización de índices dinámicos y algoritmos robustos basados en normas.
Control robusto
En esta línea, se proponen metodologías basadas en la optimización de normas (L1 y l1 fundamentalmente) y criterios de sensibilidad mixta con restricciones en las variables del proceso, y estructuras de dos grados de libertad a fin de conseguir la separación de propiedades en LA y LC del sistema resultante. Asimismo, se trabaja con metodologías basadas en múltiples modelos para asegurar la estabilidad robusta de los controladores predictivos propuestos.
Aplicaciones Industriales
La evaluación de los métodos se lleva a cabo en:
- Plantas de referencia reales (EDAR de Salamanca, fábrica azucarera de SGAE de Benavente)
- Plantas piloto (control de pH)
- Plantas de referencia simulada
Publicaciones y congresos
AUTORES: P. Vega, M. Francisco, F. Tadeo.
TITULO: Multiobjective optimization for automatic tuning of robust Model Based Predictive Control
CONGRESO: IFAC World Congress 2008
LUGAR/AÑO: Seúl (Corea del Sur), 2008
AUTORES: F. Tadeo, A. Hologan, P. Vega
TITULO:Two-degrees-of-freedom compensators for systems with commands bounded in slope
CONGRESO: 3rd IFAC SYMP.on System, Structure and Control SSSC’07
LUGAR/AÑO: Foz do Iguazú, Brasil October, 2007
AUTORES: M. Francisco, P. Vega
TITULO: Norm-based Appraoches for Automatic tuning of Model Based Predictive Control
CONGRESO: European Congress of Chemical Engineering – 6
LUGAR/AÑO: Copenhague (Dinamarca), 2007
AUTORES: G. I. Sainz, M. J. Fuente and P.Vega
TITULO: Recurrent neuro-fuzzy modelling of a wastewater treatment plant
REVISTA: European Journal of Control, Volumen 10 nº 1 pp 84-96, Año 2004
EDITORIAL: Hermes Science, Lavosier.
AUTORES: P. Vega, M.J. Fuente, P. Vallejo, G. Sainz
TITULO: A comparative study of neural and neural-fuzzy models to identify a real system
CONGRESO: Engineering Application of Artificial Intelligence ANN’03
LUGAR/AÑO: España, 2003
AUTORES: M. Francisco, P. Vega, A. Gil
TITULO: Fermenter Modelling using local linear models
CONGRESO: Modelling, Identification, and Control IASTED International Conference
LUGAR/AÑO: Innsbruck (Austria), February 2001
AUTORES: F. Tadeo, M.J. Grimble, P. Vega
TITULO: Design of a l1 Optimal Controller for a Hydrogen Reformer Plant
CONGRESO: American Control Conference, ACC
LUGAR/AÑO: USA, 2000
AUTORES: J.M. Zamarreño, P. Vega, L. D. García , M.Francisco
TITULO: State space neural network for modelling, prediction and control
REVISTA: Control Engineering Practice. Vol 8 p.1063-1075. (2000)
EDITORIAL: Pergamon Press (Elsevier Science)
AUTORES: J. M. Zamarreño , P. Vega
TITULO: Neural Predictive Control: Application to a highly nonlinear system
REVISTA: Engineering applications of Artificial Intelligence. IFAC Assoc. Journal, pp 149-158, 12. 1999
EDITORIAL: Pergamon Press (Elsevier Science)
AUTORES: M. J. Fuente, P. Vega
TITULO: Neural Networks applied to fault detection of a biotechnological process
REVISTA: Engineering applications of Artificial Intelligence. IFAC Assoc. Journal, pp 570-584, 12. 1999
EDITORIAL: Pergamon Press (Elsevier Science)
