Índice general
I Introducción 1
1. Introducción 3
1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Objetivos de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Estructura y contenidos de la Tesis . . . . . . . . . . . . . . . . . . . . . 5
II Estado del arte 9
2. Modelado e identificación de sistemas no lineales 11
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Diferentes enfoques del modelado . . . . . . . . . . . . . . . . . . . . . . 12
2.3. Modelado por modelos locales . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4. Modelado borroso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5. Identificación borrosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3. Modelado basado en modelos locales 19
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Modelos de sistemas no lineales . . . . . . . . . . . . . . . . . . . . . . . 20
3.3. Linealización en torno a puntos de operación . . . . . . . . . . . . . . . . 21
3.4. Linealización basada en la velocidad . . . . . . . . . . . . . . . . . . . . . 23
3.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4. Control con modelos locales 25
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2. Control por planificación de ganancia . . . . . . . . . . . . . . . . . . . . 26
4.2.1. Controladores basados en modelos LPV del sistema en puntos de
operación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.2. Controladores basados en modelos LPV del sistema linealizados
por velocidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3. Análisis de estabilidad mediante LMIs . . . . . . . . . . . . . . . . . . . 30
4.3.1. Proceso iterativo para diseño de controladores . . . . . . . . . . . 31
4.3.2. Diseño directo por realimentación del estado . . . . . . . . . . . . 32
4.3.3. Estabilidad mediante LDIs . . . . . . . . . . . . . . . . . . . . . . 33
4.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5. Modelado borroso 35
5.1. Modelos borrosos basados en reglas . . . . . . . . . . . . . . . . . . . . . 35
5.1.1. Modelos lingüísticos (Mamdani) . . . . . . . . . . . . . . . . . . . 36
5.1.2. Modelos de Takagi-Sugeno . . . . . . . . . . . . . . . . . . . . . . 37
5.2. Inferencia de los modelos TS . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3. Modelos borrosos de sistemas dinámicos . . . . . . . . . . . . . . . . . . 39
5.3.1. Representación con preprocesador . . . . . . . . . . . . . . . . . . 39
5.3.2. Representación en el espacio de estados . . . . . . . . . . . . . . . 40
5.4. Identificación de modelos borrosos basados en reglas . . . . . . . . . . . . 40
5.4.1. Elementos a identificar . . . . . . . . . . . . . . . . . . . . . . . . 41
5.4.2. Métodos de aprendizaje . . . . . . . . . . . . . . . . . . . . . . . 41
5.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6. Técnicas de agrupamiento para identificación 45
6.1. Técnicas de agrupamiento . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2. Particiones clásicas y borrosas . . . . . . . . . . . . . . . . . . . . . . . . 46
6.3. Algoritmo de agrupamiento borroso fuzzy c-means . . . . . . . . . . . . . 49
6.3.1. Función objetivo c-means . . . . . . . . . . . . . . . . . . . . . . 49
6.3.2. Algoritmo fuzzy c-means (FCM) . . . . . . . . . . . . . . . . . . . 50
6.3.3. Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.3.4. Extensiones al algoritmo FCM . . . . . . . . . . . . . . . . . . . . 52
6.4. Algoritmo de Gustafson-Kessel (GK) . . . . . . . . . . . . . . . . . . . . 52
6.5. Algoritmo fuzzy c-regression models (FCRM) . . . . . . . . . . . . . . . 54
6.6. Algoritmos con prototiposmixtos . . . . . . . . . . . . . . . . . . . . . . 55
6.6.1. Algoritmo fuzzy c-elliptotypes (FCE) . . . . . . . . . . . . . . . . 55
6.6.2. Adaptive fuzzy c-regression models (AFCR) . . . . . . . . . . . . 55
6.7. Proceso de identificación de modelos borrosos . . . . . . . . . . . . . . . 56
6.7.1. Diseño de experimentos . . . . . . . . . . . . . . . . . . . . . . . 57
6.7.2. Selección de la estructura . . . . . . . . . . . . . . . . . . . . . . 57
6.7.3. Agrupación de los datos . . . . . . . . . . . . . . . . . . . . . . . 59
6.7.4. Selección del número de clases . . . . . . . . . . . . . . . . . . . . 60
6.7.5. Determinación de un modelo borroso inicial . . . . . . . . . . . . 60
6.7.6. Simplificación del modelo inicial . . . . . . . . . . . . . . . . . . . 63
6.7.7. Validación del modelo . . . . . . . . . . . . . . . . . . . . . . . . 63
6.8. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
III Propuesta de técnicas para identificación y control 67
7. Evaluación del agrupamiento en identificación 69
7.1. Método sistematizado de identificación . . . . . . . . . . . . . . . . . . . 69
7.2. Criterios de modelado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.2.1. Modelos globales de sistemas no lineales . . . . . . . . . . . . . . 75
7.2.2. Modelos locales de sistemas no lineales . . . . . . . . . . . . . . . 76
7.3. Agrupamiento borroso en identificación . . . . . . . . . . . . . . . . . . . 78
7.3.1. Algoritmos con distancia adaptativa . . . . . . . . . . . . . . . . . 79
7.3.2. Algoritmos con prototipos lineales . . . . . . . . . . . . . . . . . . 80
7.3.3. Algoritmos con prototipos mixtos . . . . . . . . . . . . . . . . . . 80
7.4. Índices para la validación de los modelos locales . . . . . . . . . . . . . . 80
7.4.1. Índice de compacidad . . . . . . . . . . . . . . . . . . . . . . . . . 81
7.4.2. Índice de solapamiento . . . . . . . . . . . . . . . . . . . . . . . . 81
7.4.3. Índice de funcionamiento local . . . . . . . . . . . . . . . . . . . . 82
7.5. Análisis de algoritmos de agrupamiento . . . . . . . . . . . . . . . . . . . 82
7.6. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
8. Propuesta de una técnica mejorada de agrupamiento 95
8.1. Un índice que favorece la convexidad . . . . . . . . . . . . . . . . . . . . 95
8.2. Minimización del nuevo índice de coste . . . . . . . . . . . . . . . . . . . 97
8.3. Algoritmo de agrupamiento para la mejora de la convexidad . . . . . . . 98
8.4. Efecto de los nuevos términos en el algoritmo AFCRC . . . . . . . . . . . 100
8.5. Parámetros de ajuste del algoritmo . . . . . . . . . . . . . . . . . . . . . 104
8.6. Ejemplos de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
8.6.1. Identificación de funciones no-lineales unidimensionales . . . . . . 106
8.6.2. Identificación de funciones de varias variables . . . . . . . . . . . 108
8.7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
9. Integración de técnicas de agrupamiento y control 115
9.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.2. Control por planificación de ganancia . . . . . . . . . . . . . . . . . . . . 116
9.2.1. Modelos LPV identificados con AFCRC . . . . . . . . . . . . . . 116
9.2.2. Aplicabilidad de controladores basados en modelos LPV del sistema
en puntos de operación . . . . . . . . . . . . . . . . . . . . . 117
9.2.3. Aplicabilidad de controladores basados en modelos LPV del sistema
linealizados por velocidad . . . . . . . . . . . . . . . . . . . 126
9.3. Control por LMIs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
9.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
10.Ejemplos de aplicación de los algoritmos 137
10.1.Modelado de un sensor de biomasa . . . . . . . . . . . . . . . . . . . . . 137
10.1.1. Identificación de modelos locales . . . . . . . . . . . . . . . . . . . 137
10.1.2. Validez de los modelos locales . . . . . . . . . . . . . . . . . . . . 138
10.2. Identificación y control de un sistema térmico . . . . . . . . . . . . . . . 141
10.2.1. Descripción del proceso . . . . . . . . . . . . . . . . . . . . . . . . 141
10.2.2. Identificación de un modelo no lineal . . . . . . . . . . . . . . . . 143
10.2.3. Diseño de controladores lineales . . . . . . . . . . . . . . . . . . . 152
10.2.4. Control por planificación de ganancia: interpolación de controladores
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
10.2.5. Rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
10.3.Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
IV Conclusiones 157
11.Conclusiones y cuestiones abiertas 159
11.1.Conclusiones de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
11.2.Cuestiones abiertas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
V Bibliografía 165
VI Anexos 177
A. Modelos locales 179
A.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
A.2. Modelos de sistemas no lineales . . . . . . . . . . . . . . . . . . . . . . . 180
A.3. Linealización en torno a puntos de equilibrio . . . . . . . . . . . . . . . . 181
A.4. Linealizaciones en puntos fuera del equilibrio . . . . . . . . . . . . . . . . 184
B. Planificación de ganancia 189
B.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
B.2. Control por planificación de ganancia . . . . . . . . . . . . . . . . . . . . 190
B.3. Planificación de ganancia desde el diseño de controladores con métodos
lineales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
C. Algoritmos de agrupamiento 205
C.1. Algoritmos de agrupamiento cl´asico . . . . . . . . . . . . . . . . . . . . . 205
C.2. Algoritmo de agrupamiento borroso fuzzy c-means . . . . . . . . . . . . . 211
C.3. Algoritmos con norma adaptativa . . . . . . . . . . . . . . . . . . . . . . 215
C.4. Algoritmos con prototipos lineales . . . . . . . . . . . . . . . . . . . . . . 219
C.5. Algoritmos con prototipos mixtos . . . . . . . . . . . . . . . . . . . . . . 221
C.6. Algoritmos con prototipos no lineales . . . . . . . . . . . . . . . . . . . . 223
C.7. Algoritmos robustos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
C.8. Determinación del número de clases . . . . . . . . . . . . . . . . . . . . . 228
D. Identificación de modelos borrosos 233
D.1. Proceso de identificación de modelos borrosos . . . . . . . . . . . . . . . 233
D.2. Selección de la estructura . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
D.3. Agrupación de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
D.4. Determinación de un modelo borroso inicial . . . . . . . . . . . . . . . . 243
D.5. Simplificación del modelo borroso obtenido . . . . . . . . . . . . . . . . . 248
D.6. Validación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
D.7. Software para la identificación sistematizada de modelos borrosos . . . .250
Tags: introducción 1, b.1. introducción, introducción, índice, general