Implementación de control predictivo explicito usando redes neuronales

Abstract

Esta memoria presenta la implementación de un Control Predictivo Basado en Modelo (MPC) explicito utilizando redes neuronales, con el objetivo de mejorar el control de sistemas dinámicos complejos, particularmente un motor de corriente continua (DC). El MPC es una técnica avanzada que predice el comportamiento futuro de un sistema y ajusta las acciones de control en consecuencia. Sin embargo, su aplicación en tiempo real puede ser computacionalmente costosa debido a la necesidad de resolver un problema de optimización en cada ciclo de control. El uso de redes neuronales permite aproximar la ley de control de un MPC explícito de manera más eficiente. Para lograrlo, se diseñó una red neuronal con tres capas ocultas y funciones de activación ReLU, entrenada con datos generados por simulaciones del MPC en Simulink. Esta red neuronal puede replicar el comportamiento del MPC al clasificar el estado del sistema en regiones predefinidas y aplicar la acción de control correspondiente. Los resultados de las simulaciones mostraron que la red neuronal puede aproximar con ´éxito el control del MPC, reduciendo significativamente el tiempo de computo, lo que es especialmente útil en aplicaciones de control en tiempo real. Sin embargo, se observaron algunas limitaciones, como la dificultad de manejar restricciones de control estrictas con la misma precisión que el MPC tradicional. Futuros trabajos pueden enfocarse en mejorar la robustez del controlador basado en redes neuronales e investigar su implementación en sistemas físicos.