Académique Documents
Professionnel Documents
Culture Documents
OBJETIVOS
CONTENIDOS
I. Introducción
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
FUNDAMENTOS DE LA LÓGICA DIFUSA
u
Bajo Medio Alto
1
0.66
0.33
40 45 55 70 Velocidad (km/h)
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Operaciones básicas de lógica difusa
u A (x) = 1 − u A (x)
Base de
conocimientos
u Interfaz de y
Interfaz de
fusificación defusificación
Motor
inferencia
Si u1 es A y u2 es B entonces y es C
Existen varias formas de derivar las reglas (Lee, 1990), entre las que
destacan las basadas en:
Por ejemplo, dada una base de conocimiento con n reglas del tipo:
Si u1 es Ai y u2 es Bi entonces y es Ci
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
la secuencia de cálculos que realiza el motor de inferencia incluye:
Wi = min(uAi,uBi)
debido a que las premisas de la reglas están unidos por operadores AND,
definidos como la intersección de conjuntos difusos.
- Para cada regla se tiene una consecuencia "y es Ci", que tiene asociado
una función de pertenencia uCi. Por lo tanto, se tiene un conjunto de salida
C'i, cuya función de pertenencia es:
- Para evaluar el conjunto total de reglas, se unen los conjuntos difusos C'i
resultantes de cada regla, generándose un conjunto de salida con la
siguiente función de pertenencia:
De esta forma, se obtiene una salida difusa del controlador, con una
función de pertenencia uC'.⋅
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Interfaz de defusificación. Este elemento provee salidas discretas y
determinísticas a partir de los conjuntos difusos C' obtenidos como
resultado de la inferencia.
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Ejemplo
Reglas Si x es A e y es B entonces z es C
R1 Si x es A1 e y es B2 entonces z es C2
R2
x = 20 y = 26 z?
A1 A2 B1 B2 C1 C2
0 10 100 x -50 26 50 y 0 10 z
C1 C2
0 10 z
C’.
0 40 10 z
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Ejemplo 2 Modelación de las acciones de control de un operador de un
horno cementero.
CS CO
RT
BF Horno O2
KS Cementero BT
NOx
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
MODELOS DIFUSOS DE TAKAGI Y SUGENO
R i : Si X1 es Al i y K y Xk es Ak i
entonces Yi = p i0 + p1i X1+K+ p ik Xk
donde X1, ..., Xk son las variables de entrada o premisas de las reglas,
A1i, ..., Aki son los conjuntos difusos asociados a las variables de
entrada,
p10 , K , p ik son los parámetros de la regla i, e
Yi es la salida de la regla i.
M M
Y = ∑ (Wi Yi ) / ( ∑ Wi )
i=1 i =1
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Ejemplo Modelo difuso de Takagi y Sugeno para un fermentador batch de
alimentación.
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Funciones de pertenencia del modelo de Takagi y Sugeno
que caracterizan al fermentador
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Método de identificación
Elección de la
estructura del modelo
Identificación de los
parámetros de las premisas
Identificación de los
parámetros de las consecuencias
no ¿Es bueno
el modelo?
sí
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Identificación de los parámetros de las premisas
En esta estructura los conjuntos difusos A1i, ..., Aki y sus respectivas
funciones de pertenencia pueden ser determinadas basándose en un
conocimiento previo del proceso o por métodos más complejos como
“clustering” difuso.
“Clustering” difuso
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Espacio
B de salida
Y
X2
A
A2 Espacio
de entrada
X1
A1
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Identificación de los parámetros de las consecuencias
p= 1
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
ESTRUCTURA BÁSICA DE UN CONTROLADOR DIFUSO
Base de
conocimientos
Interfaz de Interfaz de
fusificación defusificación
Motor
inferencia
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
EJEMPLO: CONTROLADOR DIFUSO PARA UNA
LAVADORA.
Objetivo
Seleccionar el tiempo del lavado basándose en la cantidad, tipo y grado
de suciedad de la ropa.
Controlador difuso
Suciedad
Controlador Tiempo de
Tipo de ropa Difuso Lavado
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Funciones de pertenencia
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Funciones de pertenencia para la variable “Tiempo de lavado”
Base de reglas
Las reglas del controlador difuso para la lavadora se definen
intuitivamente. Por ejemplo, una regla típica sería:
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
CONTROLADORES PI DIFUSOS
e(k)
GE du(k) y(k)
ref
Controlador GU Proceso
GR
de(k)
Los parámetros del controlador son las ganancias GE, GR y GU, que
multiplican a e(k), de(k) y du(k) respectivamente.
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
y(k)
ref
a1 a2 a3 a4
e(k) + - - + tiempo
de(k) - - + +
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
c1
c2
c3
y(k) b1 y(k)
b2
b3
ref ref
b4 c4
b6
b5 c5
c6
tiempo tiempo
(a) (b)
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
positiva mediana, entonces hacer positiva pequeña la variación
incremental en el control".
NB NS NM ZE PS PM PB
1
Doris Sáez (Marzo, 2002). Apuntes I: Control basado en Modelos Difusos. Seminario AADECA-UBA, Buenos
Aires.
Modelos difusos
Takagi & Sugeno
– Modelos lineales en las consecuencias
u
SEMINARIO AADECA-UBA
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
REDES NEURONALES
Cuerpo celular
Dendrita
Axón
Sinapsis
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
En el cuerpo celular se realizan la mayoría de las funciones
lógicas de la neurona. El axón es el canal de salida final de
la neurona. Las dentritas reciben las señales de entrada de
los axones de otras neuronas y se conectan al cuerpo celular
por medio de las sinapsis.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
-
UBA, Buenos Aires.
REPRESENTACION MATEMATICA
DE UNA NEURONA
x1
w1
x2 w2
x3 w3 Σ
u
f y
wk
xk wn
θ
xn
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
n
y = f ( u ) = f ∑ w i xi − θ
i =1
f f f
1 1 1
b x b x b x
-1 -1 -1
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Las redes neuronales son estructuras de procesamiento
formadas por una gran cantidad de neuronas, que operan en
paralelo.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
VENTAJAS DE LAS REDES NEURONALES
Tareas
- Reconocimiento de patrones
- Memorias asociativas
- Aproximación funcional
- Etc.
Propiedades
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
tanto su función de transferencia, a cambios en su
entorno.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
PERCEPTRÓN MULTICAPA
x1
x2 capa 3
capa 1
capa 2
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
• Capas ocultas. Están formadas por neuronas que no tienen
contacto físico con el exterior. El número de capas ocultas
es variable, pudiendo incluso ser nulo.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
y(t-1)
.
.
.
y(t-ny)
y(t)
u(t-1)
..
.
u(t-nu)
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Aplicaciones
- Aproximación funcional
- Reconocimiento de patrones
- Filtrado de señales
- Eliminación de ruido
- Segmentación de imágenes y señales
- Control adaptivo
- Compresión de datos
- Etc.
Ventajas
Desventajas
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Ejemplo Modelación de la química del agua de una central
térmica utilizando redes neuronales.
Vapor
Sobrecalentado
Turbinas
Condensador
Vapor
Saturado
Vapor
Recalentado
Caldera
Vapor
Condensado Agua de
Alimentación
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
REDES RECURRENTES
x1(t+1)
x1(t)
x2(t)
x2(t+1)
..
. .
.
.
xn(t)
xn(t+1)
z-1
z-1
z-1
a1
y(t-1)
..
. v1
any
vny
y(t-ny) ∑ y(t)
u(t-1)
..
. vn
u(t-nu) an
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
La capa oculta esta compuesta por n unidades radiales
totalmente conectadas al vector de entrada. Las funciones de
transferencia de la capa oculta son similares a una función
de densidad gaussiana, es decir:
x − ri 2
a i = exp −
σ 2i
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Ejemplo Modelación neuronal basada en RBFN para un
fermentador batch de alimentación.
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
El modelo de la red está dado por:
y$ ( k + 1) = N( y( k ), u ( k ))
ri (k ) = x ( k ) − c i
[
x (k ) = y(k ),K, y(k − n y ), u( k ),K, u( k − n u ) ]T
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Aplicaciones
- Aproximación funcional
- Reconocimiento de patrones
Ventajas
Desventajas
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
OTROS TIPOS DE REDES
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
ENTRENAMIENTO DE REDES NEURONALES
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
ALGORITMO DE ENTRENAMIENTO
BACKPROPAGATION
n
o j = f ∑ w ijo i − b j
i =1
(
o j = f net j = ) 1
1+ e
− net j
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
El algoritmo backpropagation permite determinar los
valores de los pesos para los cuales la función de error es
mínima. Esto no siempre se logra, convergiendo muchas
veces el algoritmo a mínimos locales, no al mínimo global
buscado, o simplemente no convergiendo.
[
t p = t p1 , t p 2 ,K , t pM ]
el error cuadrático tiene, para ese patrón, la siguiente
expresión
1 M
(
E p = ∑ t pi − o pi )
2
2 i =1
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
regla iterativa derivada del método de optimización según el
gradiente, con lo cual el peso wij según la ecuación
w ij ( h) = w ij ( h − 1) + ∆w ij ( h)
∂E p ∂Ep ∂net j
∆w ij ( h ) = η − = η −
(*)
∂ w ij ∂ net j ∂w ij
∂E p ∂E p ∂o j
δj = − =−
∂net j ∂o j ∂net j
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
En las expresión siguientes, el subíndice p se ha omitido por
simplicidad.
df ( x ) d 1 1 1
= = 1 − = f ( x )(1 − f ( x ))
dx dx 1 + e− x 1 + e − x 1 + e−x
( ) (
δ j = t j − oj oj 1 − oj )
Para una neurona en la capa oculta o en la capa de entrada,
se tiene
δ j = o j (1 − o j )∑ (δ k w jk )
k
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Con esto, el término (*) se puede expresar como
∆w ij = ηδ joi
Ahora bien, normalmente no se emplea sólo esta expresión
sino que se agrega un término denominado momentum, que
corresponde al cambio anterior en el peso ponderado por el
coeficiente de momentum. Entonces, se tiene
∆w ij = ηδ joi + α∆w ij ( h − 1)
donde α es el coeficiente de momento. Este término permite
suavizar la convergencia del método y ayuda a que la
convergencia de los pesos no se vea demasiado afectada por
irregularidades en la superficie de error.
1 M 2
( )
P P
E = ∑ E p = ∑ ∑ t pi − opi
p =1 p =1 2 i =1
Doris Sáez (Marzo, 2002). Apuntes II. Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
IDENTIFICACION CON REDES NEURONALES
Modelación directa
d
d’
u yp
Proceso
ym
Algoritmo
de Aprendizaje
Doris Sáez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
En este caso, se entrena una red neuronal de manera de
obtener la dinámica directa de la planta.
ym ≈ yp
Doris Sáez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Modelación inversa
ss
r u yp
Proceso
M
Algoritmo
de Aprendizaje
Doris Sáez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Esta estructura claramente tiende a forzar a la red neuronal
a representar la dinámica inversa de la planta.
r u yp
Proceso
C
Algoritmo ym
de Aprendizaje
M
Si no se dispone de yp,
Doris Sáez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
ESTRUCTURAS DE CONTROL
CON REDES NEURONALES
Operador u y
Proceso
Humano
Red u y
Proceso
Neuronal
Doris Sáez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
El controlador corresponde a una red neuronal que es
entrenada con la información sensioral recibida por el
operador y la salida del proceso.
yd y
G-1 G
yd Red y
Planta
Neuronal
Doris Sáez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
Control por modelo de referencia
Modelo de
Referencia
yr
+
r u yp er
Proceso -
C
Algoritmo
de Aprendizaje
lim y r ( t ) − y p ( t ) ≤ ε ε≥0
t →∞
ys + e r u yp
F Proceso
- C
+
ym
-
M
Doris Sáez (Marzo, 2002). Apuntes II: Control basado en Redes Neuronales. Seminario AADECA-
UBA, Buenos Aires.
SEMINARIO AADECA-UBA
APUNTES III:
FUNDAMENTOS DE CONTROL PREDICTIVO
CONTROL PREDICTIVO BASADO EN MODELOS
(MBPC “Model Based Predictive Control”)
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
ESTRATEGIA DEL MBPC
y(t)
y(t+j/t)
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
3. Sólo se aplica u(t/t) al proceso, debido a que en el instante
siguiente t+1 se tienen los valores de todas las variables
controladas hasta t+1 y variables manipuladas hasta t.
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
ESTRUCTURA BÁSICA DEL CONTROL MBPC
Trayectoria
de referencia
Entradas pasadas
y salidas pasadas
Salidas +
Modelo predichas
Controles
futuros
Errores
Optimizador futuros
Función
Restricciones
de costo
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
ELEMENTOS DEL MBPC
- Modelos de predicción
- Función objetivo
MODELOS DE PREDICCIÓN
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
Modelo de respuesta al escalón
y(t)
g1 g2 gi gN
t t+1 t+2 t+N
∞
y( t ) = ∑ g i ∆u ( t − i) + n ( t)
i =1
n$ ( t + j / t ) = n$ ( t / t) = y( t ) − y$ ( t / t )
∞
ŷ( t + j / t ) = ∑ g i ∆u ( t + j − i / t ) + n̂ ( t + j / t)
i =1
j ∞
ŷ( t + j / t ) = ∑ g i ∆u ( t + j − i / t ) + ∑ g ∆u (t + j − i)
i
i =1 i = j+1
∞
+ y ( t ) − ∑ g i ∆u ( t − i ) (**)
i =1
Entonces, se define la respuesta libre del sistema como los valores
conocidos hasta el instante t, es decir:
∞ ∞
pj = ∑ g ∆u( t + j − i) + y( t) − ∑ g ∆u( t − i)
i= j+1
i
i =1
i
[ ]
p j = ∑ g j+i − g i ∆u( t − i) + y( t )
i=1
[ ]
N
p j = ∑ g j+i − g i ∆u( t − i) + y( t )
i=1
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
Por lo tanto, la ecuación (**) se puede reescribir como:
j
y$ ( t + j / t ) = ∑ g i ∆u( t + j − i / t ) + p j
i =1
y$ = G∆u + p
donde
y$ = [ y$ ( t + N1 / t ) y$ ( t + N1 + 1 / t) L y$ ( t + N 2 / t )]
T
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
g N1 L g1 0 L L 0
g L L g1 0 L 0
N1 +1
G= M M M M O O 0
M M M M O O M
gN L L L L L g N2 −N u +1
2
[
p = p N1 , p N1+1 ,K, p N2 ]
Una gran ventaja de este método es que no requiere información
previa sobre el proceso, con lo cual el proceso de identificación se
simplifica. Además, permite modelar sistemas complejos como fase
no mínima y sistemas con retardos. Sin embargo, esta
representación sólo es válida para procesos estables.
A( z −1 ) y( t) = B( z −1 ) u ( t) + n ( t )
A( z −1 ) = 1 + a1z −1 + a 2 z −2 +L+ a na z − na
B( z −1 ) = b1z −1 + b 2 z −2 +L+ b nb z − nb
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
Para calcular la predicción, se considera un modelo ARIMAX:
w ( t)
A( z −1 ) y( t) = B( z −1 ) u (t − d ) + n ( t) = B( z −1 ) u ( t − d) +
∆
B w
yt = ut−d + t
A A∆
B w t+ j
y t+ j = u t− d + j +
A A∆
donde
1 F
= E j + j z− j
{
Ecuación diofántica
A∆ A∆
123
Cuociente
Re sto
( Fj y G j notación en ARMAX)
1
La división se realiza hasta que Ej sea un polinomio de grado
A∆
j −1 , de modo que E jw t+ j tenga los valores futuros de wt, es decir,
w t +1 , w t +2 ,K, w t+ j
Además,
A∆ = 1 − z −1 + a 1z −1 − a 1z −2 +L
Por lo tanto,
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
B F
yt+ j = u t − d + j + E jw t + j + j w t (#)
A 123 A∆
123
( w t +1 , w t +2 ,K)
( w t , w t −1 ,K)
wt
Ay t = Bu t − d +
∆
w t = A∆y t − B∆u t − d
B F F
yt+ j = ut − d + j + E j w t + j + j A∆y t − j B∆u t − d
A A∆ A∆
yt+ j
B B
= u t − d + j + Fj yt − Fj u t − d + E j w t + j ( j ≥ 1)
A A
A continuación,
B B
yt + j = u t − d + j + E jw t + j + Fjy t − Fj u t − d + j z − j
A A1424 3
u t −d
yt+ j =
B
A
[ ]
u t − d + j 1 − Fjz− j + E jw t + j + Fjy t
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
donde según la ecuación diofántica
Fjz− j = 1 − E jA∆
Entonces,
B
yt+ j = u t − d + jE j∆A + E jw t + j + Fjy t
A
y t + j = BE j∆u t − d + j + E jw t + j + Fjy t
Se define G j ≅ BE j
y t + j = G j∆u t − d + j + E jw t + j + Fjy t
[ ]
E y t + j / t ≡ y$ t + j = G j∆u t − d + j + Fjy t (*)
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
g j0 = g 10 =L = g k 0 =L = g 0
M
g ji = g ji =L = g ki =L = g i
G1 = g 0 + g1z −1 +L+g n b z − n b
G 2 = g0 + g1z −1 +L+g n b +1z − ( n b +1)
G 3 = g 0 + g1z −1 +L+ g n b + 2 z − ( n b + 2 )
y$ t + j = G j∆u t − d + j + Fjy t
y si d = 1, N 1 = 1 y N2 = N, se tiene
y$ t +1 = G1∆u t + F1y t
y$ t + 2 = G 2 ∆u t +1 + F2 y t
M
y$ t + N = G N ∆u t −1+ N + FN y t
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
[ ]
f t +1 = G 1 ( z −1 ) − g0 ∆u t + F1y t
ft +2 = [G ( z
2
−1
]
) − g1z −1 − g0 ∆u t +1 + F2 y t
M
y$ = Gu
~+f
donde
g0 0 L L 0
g g0 L L 0
1
M M O
G=
M M
g N −1 gN−2 L g0 N ×N
control futuras.
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
Por lo tanto, Gu ~ contiene términos desconocidos por determinar
{∆u t , ∆u t+1 ,..., ∆u t +N−1} y f agrupa los términos conocidos
{∆u t−1 , ∆u t−2 ,..., y t , y t−1 ,...}
Está representación es también válida para procesos inestables.
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
FUNCIÓN OBJETIVO
J = [ w( t + 1) − y$ ( t + 1 / t) ]
2
J = [ w( t + 1) − y$ ( t + 1 / t )] + λ[∆u( t) ]
2 2
N2 Nu
J= ∑ δ( j)[ w( t + j) − y$ (t + j / t )] + ∑ λ(i)[ ∆u(t + i − 1)]
2 2
j= N1 i=1
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
donde δ(j) y λ(j) son coeficientes que ponderan el
comportamiento futuro,
y$ ( t + j / t) es la salida predicha en el instante t+j,
w ( t + j) representa la trayectoria de referencia deseada,
N1 y N2 son los horizontes mínimo y máximo de predicción,
Nu es el horizonte de control
∆u( t + j − 1) = 0
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario
AADECA-UBA, Buenos Aires.
CONTROL POR MATRIZ DINÁMICA
(DMC “Dynamic Matrix Control”)
y$ = G∆u + p
donde
y$ = [ y$ ( t + N1 / t ) y$ ( t + N1 + 1 / t) L y$ ( t + N 2 / t )]
T
g N1 L g1 0 L L 0
g L L g1 0 L 0
N1 +1
G= M M M M O O 0
M M M M O O M
gN L L L L L g N2 −N u +1
2
[
p = p N1 , p N1+1 ,K, p N2 ]
Por otra parte, el controlador por matriz dinámica utiliza la función
objetivo definida en la ecuación (*) con δ = 1, la cual
matricialmente está dada por:
J = [ w − y$ ] [ w − y$ ] + λ∆u T ∆u
T
Si se define e 0 = w − p , entonces
[ ]
−1
∆u = G G + λI G Te 0
T
∆u( t / t ) = Ke 0
[ ]
−1
donde K es la primera fila de matriz G G + λI
T
G.
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
CONTROL PREDICTIVO GENERALIZADO
G.P.C. (“Generalized Predictive Control”)
A( z −1 ) y t = B( z −1 ) u t − d + n t
C( z −1 ) w t
donde nt =
∆
Predicción óptima
[ ]
y$ t + j = E y t + j / t = G j ∆u t −d + j + Fj y t (*)
y si d = 1, N 1 = 1 y N2 = N, se tiene
y$ t +1 = G1∆u t + F1y t
y$ t + 2 = G 2 ∆u t +1 + F2 y t
M
y$ t + N = G N ∆u t −1+ N + FN y t
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
[ ]
f t +1 = G 1 ( z −1 ) − g0 ∆u t + F1y t
ft +2 = [G ( z
2
−1
]
) − g1z −1 − g0 ∆u t +1 + F2 y t
M
y$ = Gu
~+f
donde
g0 0 L L 0
g g0 L L 0
1
M M O
G=
M M
g N −1 gN−2 L g0 N ×N
control futuras.
∑ [ y$ ] + ∑ λ [ ∆u ]
N2 Nu
2
J= − rt + j
2
t+j i t + i −1
(**)
j= N 1 i =1
En general,
J = ( y$ − r ) T ( y$ − r ) + λ~
u T~
u
donde
y$ = Gu
~+f
r = [ rt +1 , rt +2 ,..., rt + N ] (con N1 = 1, N2 = N)
T
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
g0 0 L 0
g g0 L 0
1
M M O
G=
g N u −1 g N u − 2 L g0
M M M
g N −1 g N − 2 L g N − N u
N× N u
Entonces,
~ + f − r ) T (Gu
J = ( Gu ~ + f − r ) + λ~
u T~
u
∂J
~ =0
∂u
Entonces,
~ + f − r ) T G + λ~
( Gu uT = 0
~ + f − r ) + λ~
G T (Gu u=0
G TGu~ + λ~
u = GT (r − f )
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
u = ( GT G + λI ) −1 G T ( r − f )
~
∆u t H1T
∆u T
t +1 H
= 2 ( r − f )
M
∆
t + N u −1
u
∆u t = H1T ( r − f )
−1 T
con H 1T la primera fila de (G G + λI) G
T
∆u t = u t − u t −1
Entonces,
u t = u t −1 + H 1T ( r − f )
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
RESUMEN
CONTROL PREDICTIVO GENERALIZADO (G.P.C.)
Modelo ARIMAX
wt
A( z −1 ) y t = B( z −1 ) u t −d +
∆
Predicción óptima
[ ]
y$ t + j = E y t + j / t = G j ∆u t −d + j + Fj y t
Función de costo
∑[ ]
N2 Nu
y$ t + j − rt + j + ∑ λ i [ ∆u t + i − 1 ]
2
J=
2
j= N 1 i =1
u t = u t −1 + H 1T ( r − f )
−1 T
con H 1 la primera fila de (G G + λI) G
T T
Columna de destilación
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
La dinámica de la planta está descrita por:
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
Los retardos van desde 0 a 28 min.
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
El mínimo retardo de las variables de salida es 27, 14 y 0 min.
Entonces, los mínimos retardos son 6, 3 y 0 (con Ts = 4 min).
1 0 0 2 0 0
Q = 0 1 0 R = 0 2 0
0 0 1 0 0 2
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
Como se observa todas las variables llegan rápidamente al set-
point, sólo la temperatura inferior tiene un overshoot apreciable.
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
Como se puede observar la perturbación es rápidamente cancelada.
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
CONTROL PREDICTIVO CON RESTRICCIONES
TIPOS DE RESTRICCIONES
u ( t ) < u máx
u ( t + 1) < u máx
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
u(t+1)
GPC
sin restricciones
umax
u* sin restr.
u* u(t)
umax
u min 1 ≤ u ≤ 1u max
o bien en función de ∆u ( t )
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
1 1 0 0 1
1 1 1 1
[u min − u ( t − 1)] ≤ ≤ [u − u ( t − 1)]
M M O M
max
1 1 L 1 1 1
Matricialmente, se tiene
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
1 1 0 L 0 1
1 0 1 M 1
∆u min ≤ ∆u ≤ ∆u máx
M M O 0 M
1 0 L 0 1 1
ŷ = G∆u + f
[
ŷ = ŷ(t + 1),K ,y(t + N y ) ]T
∆ŷ( t + 1) ŷ( t + 1) − y( t )
M M
∆ŷ = =
∆ ŷ ( t + N )
y ŷ ( t + N y ) − ŷ ( t + N y − 1)
1 ∆ŷ( t + 1) 1
− 1 1 M
0
∆ŷ = − y( t )
0 0 O M
M O 1 ∆ŷ ( t + N y ) 0
∆ŷ( t + 1)
M
∆ŷ = D − 1 y (t )
0
∆ŷ( t + N y )
ŷ = G∆u + f
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
∆ŷ = DG∆u + Df − 10 y( t )
Entonces,
(A∆u ≤ b )
Matricialmente, se tiene:
0 y ( t )
G∆u + f ≤ ∆u + si y(t) < w(t)
G ' f '
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
0 y ( t )
G∆u + f ≥ ∆u + si y(t) > w(t)
G ' f'
Matricialmente,
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
CONDICIONES: CONTROL PREDICTIVO
CON RESTRICCIONES
s.a A∆u ≤ b
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
EJEMPLOS DE RESTRICIONES
EN CONTROL PREDICTIVO
Modelo multivariable
e
A( z −1 ) y = B(z −1 )u +
∆
y (t )
y= 1
y 2 ( t)
u1(t )
u=
u 2 ( t )
1 − 1.8629 z −1 + 0.8669 z −2
−1 0
A(z ) = −1 −2
0 1 − 1 .8695 z + 0. 8737 z
∆u ≤ 0. 2
− 0.3 ≤ u 1 ≤ 0.3
− 0.3 ≤ u 2 ≤ 0.2
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
Restricciones de comportamiento de fase no mínima
Modelo lineal
1− s
G (s ) =
1+ s
−1− 1 + 1.2592 z −1
G( z ) =
1 + 0.7408 z −1
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
GPC sin restricciones Ny = 30, Nu = 10, λ = 0.1
Doris Sáez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA,
Buenos Aires.
SEMINARIO AADECA-UBA
APUNTES III:
CONTROL PREDICTIVO NO LINEAL
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
CONTROL PREDICTIVO NO LINEAL
CONTROL PREDICTIVO
“GAIN SCHEDULED” (Chow, 1995)
( ) ( )
A v( t), z −1 y( t) = B v ( t ), z −1 u ( t − 1)
( ) ( )
A i z −1 y( t ) = B i z −1 u ( t − 1)
( )
∆u i ( t ) = G T G + λI G T (w − f )
v( t) − v1 ( t )
K(v ( t ) ) = K(v1 ( t ) ) + (K (v1 ( t ) ) − K (v1 ( t ) ))
v 2 ( t ) − v1 ( t )
CONTROL PREDICTIVO
CON TRANSFORMACIÓN NO LINEAL (Bosley, 1993)
x& = g ( x , u )
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
CONTROL DMC LINEAL PONDERADO (Di Marco, 1997)
n
y ( t) = ∑ w i y i ( t )
i =1
d i−1
wi =
n
n
con d i = y( t ) − y i ( t ) y ∑w =1
∑d −1 i
j i =1
j=1
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
CONTROL PREDICTIVO
BASADO EN MODELOS DIFUSOS
∑w y i i
y( t ) = i =1
M
∑w
i =1
i
Controlador difuso
∑ w ∆u ( t)
i i
∆u ( t ) = i =1
M
∑w
i =1
i
Desventajas
y i (t) = a 1i y( t − 1) + K + a iny y( t − ny )
+ b1i u ( t − 1) + K + b inu u ( t − nu ) + c i
Para cada regla se minimiza la siguiente función objetivo:
N2 Nu
Ji = ∑ [w(t + j) − ŷ (t + j / t)] + ∑ λ ( j)[∆u(t + j − 1)]
2 2
i
j= N 1 j =1
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
N2 Nu
J= ∑ [w( t + j) − ŷ(t + j / t )] + ∑ λ( j)[∆u( t + j − 1)]
2 2
j= N1 j=1
t t+j u
Roubos (1998)
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
M
x ( t + 1) = ∑ w i x i ( t + 1)
i =1
x (t + 1) = A ( t ) x ( t ) + B( t ) u ( t ) + C( t )
con A ( t ) = ∑ w i (
i =1
t ) A i
n
B( t) = ∑ w i ( t ) Bi
i =1
n
C( t) = ∑ w i ( t )C i
i =1
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Cipriano & Sáez (1996)
M M
∑ w (t ) ŷ ∑ w (t )[G ∆u + f ]
i i i i i
ŷ = i =1
M
= i =1
M
∑ w (t )
i =1
i ∑ w (t )
i =1
i
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Controlador difuso
J = (w − ŷ ) (w − ŷ ) + λ∆u T ∆u
T
T
M
M
∑ w i ( t ) [G i ∆ u + f ]
i ∑ w i ( t )[G i ∆u + f ]
i
J = w − i =1 M w − i =1
M
∑i =1
w i (t )
∑i =1
w i (t )
+ λ∆u T ∆u
Min J
∆u
∆u = (G T G + λI) −1 G T (w − f )
con
M M
∑ w ( t )Gi i ∑ w ( t )f
i i
G= i =1
M
f= i =1
M
∑ w (t )
i =1
i ∑ w (t )
i =1
i
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Espinosa (1999)
ŷ ( t + j) = ŷ libre ( t + j) + ŷ forzado ( t + j)
j−1
∆u = (G T G + λI) −1 G T (w − ŷ libre )
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
donde
ŷ libre ( t + j) = f ( y( t + j − 1),K, y( t + j − ny ),
u ( t + j − 1),K, u ( t + j − nu ))
Linealización multipaso
Modelo difuso
con a l (t) = ∑ w i ( t ) a
i =1
i
l
M
b l (t) = ∑ w i ( t )b il
i =1
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
M
cl (t) = ∑ w i ( t )ci
i =1
ny
ŷ(t + j) = ∑ a l ( t + j) y( t + j − l )
l =1
nb
+ ∑ b l ( t + j) u ( t + j − l) + c( t + j)
l =1
M
con a l (t + j) = ∑ w (t + j)a
i =1
i
i
l
M
b l (t + j) = ∑ w i (t + j)b il
i =1
M
cl (t + j) = ∑ w i (t + j)ci
i =1
w i ( t + j) = f ( ŷ ( t + j − 1),K, ŷ( t + j − ny ),
u ( t + j − 1),K u ( t + j − nu )) = 0
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
CONTROL PREDICTIVO
BASADO EN REDES NEURONALES
r u y
Optimizador Proceso
y
Predictor
M
2.- Entrenar una red neuronal para que realice la misma tarea que
un controlador predictivo. El entrenamiento se realiza por
simulación fuera de linea. De este modo, se obtiene un
controlador más rápido.
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
A continuación, se presentan algunas estrategias de control
predictivo basado en redes neuronales
Hunt (1992)
yr u’ ym
Optimizador
M
MR
AA
r u yp
Proceso
C
∑ δ( j)[y (t + j) − y ]
N2 Nu
( t + j / t) + ∑ λ (i)[∆u ' ( t + i − 1) ]
2
J= r 2
m
j = N1 i =1
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Arahal (1997)
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Draeger (1995)
ŷ = G∆u + f + d
d = d nl + d *
con d* = y − y m
∆u = (G T G + λI ) −1 G T (r − f − d )
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Modelo
no lineal
f - y
r dnl DMC Proceso
- -
∑
ym
- Modelo Modelo
lineal no lineal -
d*
Modelo
no lineal
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Referencias
Arahal, M., Berenguel, M., Camacho, E. (1997). Nonlinear neural model-based predictive
control of a solar plant. European Control Conference, July 1-4, Brussels, Belgium, TH-E I2,
paper 264.
Babuska, R., Sousa, J., Verbruggen, H. (1999). Predictive control of nonlinear systems based on
fuzzy and neural models. Proceedings of the European Control Conference, ECC’99, August
31- September 3, Karlsruhe, Germany, pp. 667.
Babuska, R. (1998). Fuzzy modeling for control. International series in intelligent technologies,
Kluwer Academic Publishers, Massachusetts, United States of America.
Bosley, J., Edgar, T., Patwardhan, A., Wright, G. (1993). Model - based control: a survey.
AIChE Journal of Process Systems Engineering, Vol. 39, Nº 2, pp. 138-147.
Chow, C., Kuznetsov, A., Clarke, D. (1995). Using multiple models in predictive control.
Proceedings of the 3rd European Control Conference, September 5-8, Rome, Italy, pp. 1732-
1737.
Cipriano, A., Ramos, M. (1995). A fuzzy model based predictive controller and its application
to a mineral flotation plant. Journal A: Benelux Quarterly Journal on Automatic Control, Vol.
36, Nº 2, pp. 29-36.
Cipriano, D. Sáez. (1996). Fuzzy generalized predictive control and its application to an
inverted pendulum. Proceedings of the 22nd Annual International Conference on Industrial
Electronics, Control and Instrumentation, IECON'96, Taipei, Taiwan, August 5-10, pp. 1966-
1971.
Di Marco, R., Semino, D., Brambilla, A. (1997). From linear to nonlinear model predictive
control: comparison of different algorithms. Industrial Engineering Chemistry Research, Vol.
36, pp. 1708-1716.
Draeger, A., Ranke, H., Engell, S. (1994). Neural network based model predictive control of a
continuos neutralization reactor. Proceedings of the third IEEE Conference on Control
Applications, August 24-26, Glasgow, Great Britain, pp. 427-432.
Espinosa, J., Vandewalle, J. (1999). Predictive control using fuzzy models. In: Roy R.,
Furuhashi, T., Pravir K. (eds.) Advances in Soft Computing Engineering Design and
Manufacturing, Springer-Verlag, pp. 187-200.
Espinosa, J., Hadjili, M., Wertz, V., Vandewalle, J. (1999a). Predictive control using fuzzy
models – comparative study. Proceedings of the European Control Conference, ECC’99, August
31- September 3, Karlsruhe, Germany, pp. 273.
Espinosa, J., Vandewalle, J. (1998). Predictive control using fuzzy models applied to a steam
generating unit. Proceedings of the 3rd International FLINS Workshop on Fuzzy Logic and
Intelligent Technologies for Nuclear Science Industrie, September 14-16, Antwerp, Belgium,
pp. 151-160.
Hadjili, M., Wertz, V. (1999). Generalized predictive control using Takagi-Sugeno fuzzy
models. Proceedings of the 1999 IEEE International Symposium on Intelligent Control,
Intelligent Systems & Semiotics, ISIC’99, September 15-17, Cambridge, United States of
America, pp. 405-410.
Hunt, K., Sbarbaro, D. Zbikowski, R. Gawthrop, P. (1992). Neural networks for control
systems: a survey. Automatica, Vol. 28, pp. 1083-1112.
Roubos, J., Babuska, R., Bruijn, P., Verbruggen, H. (1998). Predictive control by local
linearization of a Takagi-Sugeno fuzzy model. Proceedings of IEEE International Conference
on Fuzzy Systems, May 4-9, Anchorage, Alaska, United States of America, pp. 37-42.
Van der Veen, P., Babuska, R., Verbruggen, H. (1999). Comparison of nonlinear predictive
control methods for a waste-water treatment benchmark. Proceedings of the European Control
Conference, ECC’99, August 31- September 3, Karlsruhe, Germany, pp. 268 (5 pages).
Doris Sáez (Marzo, 2002). Apuntes IV: Control Predictivo No Lineal. Seminario AADECA-UBA,
Buenos Aires.
Referencia Seminario
Allgöwer, F., Zheng, A., "Nonlinear Predictive Control", Birkäuser Verlag, 2000.
Bitmead, R., Gevers, M., Wertz, V., "Adaptive Optimal Control". The Thinking Man's GPC,
Prentice Hall, 1990.
Cichocki, A. Unbehauen, R., "Neural networks for Optimization and Signal Processing", John
Wiley & Sons, 1993.
Clarke, D. "Advances in Model Based Predictive Control". Oxford University Press, 1994.
Driankov, D., Hellendoorn, H., Reinfrank, M., "An Introduction to Fuzzy Control" Springer-
Verlag, 1996.
Harris, C., Moore, C., Brown, M. "Intelligent Control Aspects of Fuzzy Logic and Neural Nets",
World Scientific, 1993.
Martín Sánchez, J., Rodellar, J., "Adaptive Predictive Control: From the Concepts to Plant
Optimization", Prentice Hall, 1996.
Palm, R., Driankov, D., Hellendoorn, H. "Model Based Fuzzy Control", Springer-Verlag, 1996.
Sáez, D., Cipriano, A., Ordys, A. "Optimization of industrial processes at supervisory level:
Application to control of thermal power plants". Springer-Verlag, 2002.
http://www.amazon.com/exec/obidos/ASIN/1852333863/qid%3D1015435578/ref%3Dsr%5F11%5F0%5F1/103-
2288317-9507007
Yager, R., Filev, D. "Essentials of Fuzzy Modeling and Control", John Wiley & Sons, 1994.
Redes Neuronales
http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html
http://hem.hj.se/~de96klda/NeuralNetworks.htm
http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html