Implementación de inteligencia artificial para mejorar el control predictivo de máquina asincrónica

Abstract

El control predictivo de conjunto finito (FCS-MPC) se ha consolidado como una alternativa competitiva para el accionamiento de máquinas de inducción, gracias a su rápida respuesta dinámica y a la incorporación natural de múltiples objetivos en una única función de costo. Sin embargo, su desempeño depende críticamente de la fidelidad del modelo interno con que predice el comportamiento futuro de la máquina. Entre los parámetros de ese modelo, la resistencia de rotor R_r es el más problemático: no es medible en forma directa en una máquina jaula de ardilla. Cuando el valor utilizado por el controlador difiere del valor real de la máquina, las predicciones se degradan, aumenta la distorsión de las corrientes, se deteriora la regulación de velocidad y, en casos severos, se puede perder el control del accionamiento. Esta memoria desarrolla y evalúa dos propuestas de compensación basadas en redes neuronales informadas por física (PINN, Physics-Informed Neural Networks) que estiman en línea el desajuste de la resistencia de rotor y actualizan el valor efectivo que emplea el control predictivo, sin conocer el valor real del parámetro. Ambas conservan íntegramente la estructura del control predictivo: no intervienen la función de costo ni la selección de los estados de conmutación, y actúan únicamente sobre la resistencia de rotor del modelo interno. La primera propuesta parte de un observable construido con la física del mismo control predictivo. Se demuestra que la predicción de corriente en coordenadas estacionarias es una función afín de la resistencia de rotor, de modo que el residuo entre la corriente medida y la predicha es aproximadamente proporcional al error de resistencia con una sensibilidad calculable analíticamente; su proyección sobre esa sensibilidad entrega un estimador físico sesgado del desajuste. Sobre él operan cuatro redes especialistas, organizadas por maniobra y por dirección del error, que corrigen el sesgo del estimador y cuantifican la confianza y la pertenencia al dominio de cada inferencia. La segunda propuesta concentra el trabajo en una única red, que recibe una ventana temporal de las señales de control y entrega directamente una propuesta de corrección del parámetro, junto con una medida de confianza y otra de pertenencia a su dominio. Es un estimador inverso amortizado: aprende de las trayectorias una relación entre las señales del lazo y el desajuste que las produce. En ambas propuestas, la salida neuronal pasa por una lógica de autorización antes de modificar la resistencia efectiva del modelo.