Control predictivo basado en modelos mediante técnicas de optimización heurística. Aplicación a procesos no lineales y multivariables
- Autores: Francesc Xavier Blasco Ferragud
- Directores de la Tesis: Miguel Andrés Martínez Iranzo (dir. tes.)
- Lectura: En la Universitat Politècnica de València ( España ) en 1999
- Idioma: español
- Tribunal Calificador de la Tesis: Pedro Albertos Pérez (presid.), Francisco Morant Anglada (secret.), Eduardo Fernández Camacho (voc.), César de Prada Moraga (voc.), Sebastián Dormido Bencomo (voc.)
- Materias:
- Texto completo no disponible (Saber más ...)
- Resumen
La Tesis Doctoral se fundamenta, principalmente, en la exploracion de nuevos metodos de control Predictivo Basado en Modelos (MBPC) mediante la incorporación de herramientas de optimización heurística y las mejoras en las prestaciones que se pueden conseguir con ello, La metodología de MBPC constituye un campo cada vez más importante en el control de procesos debido a que se trata de una formulación muy intuitiva, y a la vez muy potente, de un problema de control (por tanto es más facilmente aceptable en el ambito industrial).
A pesar de ello, presenta limitaciones cuando se quiere aplicar a ciertos procesos complejos.
Un elemento fundamental y al mismo tiempo limitante de esta metodología lo constituye la tecnica de optimización que se utilice. Simplificado mucho, el MBPC se convierte en un problema de minimización en cada periodo de muestreo, y la complejidad del problema de control se refleja directamente en la función a minimizar en cada instante. Si se incorporan modelos no lineales, restricciones en las variables, e indices de funcionamiento sofisticados, todo ello asociado a los problemas de tiempo real, se va a requerir algoritmos de optimización adecuados que garanticen el minimo global en un tiempo acotado.
En este sentido, la tesis incluye un analisis de las metodologias de Optimización Heurísticas, Simulated Annealing y Algoritmos Geneticos, como candidatas a la resolución de este tipo de problemas y a partir de ellas realiza una implementación novedosa(denominada ASA) dentro del grupo de los algoritmos de Simulated Annealing que reduce el coste computacional. En los Algoritmos Geneticos, se obtienen las combinaciones de codificación y operadores geneticos mas adecuadas para conseguir buenas relaciones de calidad de la solucion/coste computacional en la resolución de problemas de minimización complejos (no convexos, con discontinuidades, restricciones, etc). Todo este analisis previo, permite la adaptaci
