Embedded Files
Automatización con control sinérgico: estabilidad, optimización y metaheurísticas
La automatización es una de las áreas de la ingeniería moderna con mayor impacto en nuestras vidas, y su avance parece no tener límites. Aunque a primera vista pueda parecer un tema complejo, en este curso te guiaremos paso a paso para que desarrolles un proyecto completo de ingeniería de control, utilizando una metodología que llamamos control sinérgico.
El control sinérgico es una metodología que combina herramientas de análisis geométrico y métodos de cómputo suave para la optimización de modelos y controladores. Así, mientras la teoría de control nos proporciona técnicas para analizar la estabilidad de los sistemas, las metaheurísticas nos permiten refinar los controladores estabilizantes para alcanzar un mejor desempeño.
Para implementar esta metodología, durante el taller exploraremos conceptos fundamentales como la función de transferencia, los controladores PID y los sistemas en lazo cerrado. Posteriormente, abordaremos temas más especializados como la identificación de sistemas, el análisis de estabilidad mediante métodos geométricos, y el diseño de controladores utilizando algoritmos metaheurísticos.
Lo mejor de todo es que las ideas y técnicas que aprenderás aquí tienen aplicación en múltiples áreas de la ingeniería siempre que exista un problema de regulación: motores, convertidores, bioreactores, robots, drones, baterías, entre muchos otros.
A lo largo del taller utilizamos el lenguaje de programación Python para realizar todos nuestros análisis.
¡Atrévete a dar el siguiente paso en tu camino profesional y descubre cómo la automatización puede convertirse en el motor de tus proyectos!
Duracion:
20 horas
Horario:
Asincrónico
Asincrónico
Fechas:
8 de Agosto
Metodologia:
Contenido grabado.
Temario (20hrs):
Temario (20hrs):
Modelos lineales y no lineales: representación de incertidumbre, perturbaciones y retrasos temporales
Modelos lineales y no lineales: representación de incertidumbre, perturbaciones y retrasos temporales
En este módulo se introducen las bases del modelado dinámico de sistemas físicos, con énfasis en la formulación de modelos tanto lineales como no lineales. Se exploran estrategias para representar la incertidumbre en parámetros, la inclusión de perturbaciones externas y la modelación de retardos temporales en la dinámica del sistema. Se discutirán herramientas como funciones de transferencia y modelos en espacio de estados, así como su implementación en Python.
Identificación de parámetros en sistemas dinámicos
Identificación de parámetros en sistemas dinámicos
Aquí abordaremos los métodos más comunes para estimar parámetros desconocidos en modelos dinámicos a partir de datos experimentales. Se cubrirán técnicas de regresión lineal, mínimos cuadrados y optimización no lineal, aplicadas a sistemas físicos modelados previamente. El objetivo es dotar al estudiante de herramientas para ajustar modelos a datos reales y evaluar su validez.
Control retroalimentado: programación de controles lineales tipo PID
Control retroalimentado: programación de controles lineales tipo PID
Este tema se centra en la implementación de controladores por retroalimentación utilizando estrategias clásicas, con énfasis en el controlador PID (Proporcional-Integral-Derivativo), pero también se abrirá la discusión al uso de controladores lineales con retardo temporal, derivadas de orden no entero y retroalimentación de estado completo. Se abordará el problema del ajuste de ganancias del controlador, su impacto en el comportamiento dinámico del sistema, y su programación en Python. Se presentarán ejemplos prácticos mediante la simulación de sistemas físicos, como actuadores mecánicos y modelos representativos de distintos tipos de sistemas dinámicos.
Análisis geométrico de la estabilidad en sistemas lineales con o sin retardo temporal (método de descomposición D)
Análisis geométrico de la estabilidad en sistemas lineales con o sin retardo temporal (método de descomposición D)
En este módulo se presenta una técnica visual y analítica para el análisis de estabilidad: el método de descomposición D (D-composition method), útil especialmente en sistemas con incertidumbres o retardos. El estudiante aprenderá a identificar regiones de estabilidad en el espacio de parámetros y a comprender cómo los retardos afectan la dinámica del sistema. Se trabajará con ejemplos en el plano complejo y se implementarán visualizaciones en Python.
Control óptimo utilizando metaheurísticas
Control óptimo utilizando metaheurísticas
Se exploran estrategias de control óptimo basadas en algoritmos bioinspirados como optimización por enjambre de partículas (PSO), algoritmos genéticos y búsqueda por colonia de hormigas. Estos métodos permiten resolver problemas de diseño de controladores cuando los métodos clásicos no son suficientes, especialmente en sistemas no lineales o con restricciones complejas. El estudiante aprenderá a formular funciones objetivo y a implementar algunas metaheurísticas desde cero para el ajuste de parámetros de control.
Inscripción
Inscripción
Para personas dentro de la República Mexicana, recomendamos realizar el pago mediante transferencia bancaria utilizando la siguiente información.
Cuenta BBVA: 113 592 5711
CLABE: 012 700 011359257111
Titular: Adrian Josue Guel Cortez
Monto a pagar: 55 USD o 1000MXN
Es posible emitir factura.
Para personas fuera de la República Mexicana, recomendamos realizar el pago mediante PayPal.
Más detalles por mensaje a:
Profesor:
Profesor:
Adrian Guel
El Dr. Adrian Guel posee tanto una licenciatura como una maestría en Ingeniería, con experiencia en investigación, diseño y educación. Específicamente, la experiencia de Adrian Guel se encuentra en Sistemas Dinámicos Complejos, Ingeniería de Control, Estadística y Programación. Adrian Guel ha desarrollado: Algoritmos de Control, Implementaciones de Control, Identificación y Modelado de Sistemas, Métodos de Pronóstico y Algoritmos de Optimización. Durante su doctorado, se enfocó en el análisis de modelos y control para Sistemas Complejos utilizando métodos estocásticos y teoría de la información. Su último cargo fue como ingeniero en el Reino Unido, donde diseñó e implementó algoritmos de estimación para sistemas de gestión de baterías. Actualmente, se desempeña como consultor independiente en ingeniería de control.
Referencias
Referencias
Hernández-Gallardo, J. A., Guel-Cortez, A. J., González-Galván, E. J., Cárdenas-Galindo, J. A., Félix, L., & Méndez-Barrios, C. F. (2023, November). Synergistic Design of Optimal PI Controllers for Linear Time-Delayed Systems. In Proceedings of the Latin American Congress on Automation and Robotics (pp. 77-88). Cham: Springer Nature Switzerland.
D. Nieto-Hernández, J. Escareno, C.-F. Méndez-Barrios, I. Boussaada, and D. Langarica-Córdoba. Modeling and control of an interactive tilt-rotor mav. In 2017 Workshop on Research, Education and Development of Unmanned Aerial Systems (RED-UAS), pages 270–275, 2017.
Wen Yu and Floriberto Ortiz. Stability analysis of pd regulation for ball and beam system. In Proceedings of 2005 IEEE Conference on Control Applications, 2005. CCA 2005., pages 517–522. IEEE, 2005.
Herbert Goldstein, Charles Poole, and John Safko. Classical mechanics, 2002.
Norman S Nise. Control systems engineering. John Wiley & Sons, 2020.
Karl Johan Åström and Tore Hägglund. The future of pid control. Control engineering practice, 9(11):1163–1175, 2001.
Sarit K Das and Kaustav K Paul. Robust compensation of a cart–inverted pendulum system using a periodic controller: Experimental results. Automatica, 47(11):2543–2547, 2011.
Dong Yue, Qing-Long Han, and Chen Peng. State feedback controller design of networked control systems. In Proceedings of the 2004 IEEE International Conference on Control Applications, 2004., volume 1, pages 242–247. IEEE, 2004.
Peter J Fleming and Robin C Purshouse. Evolutionary algorithms in control systems engineering: a survey. Control engineering practice, 10(11):1223–1241, 2002.
J-E Hernández-Díez, C-F Méndez-Barrios, Sabine Mondié, S-I Niculescu, and Emilio J González-Galván. Proportional-delayed controllers design for lti-systems: a geometric approach. International Journal of Control, 91(4):907–925, 2018.
Adrián Josué Guel-Cortez, César-Fernando Méndez-Barrios, Emilio Jorge González-Galván, Gilberto Mejía-Rodríguez, and Liliana Félix. Geometrical design of fractional PDμ controllers for linear time-invariant fractional-order systems with time delay. Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, 2019.
Michael L Johnson and Lindsay M Faunt. [1] parameter estimation by least-squares methods. Methods in enzymology, 210:1–37, 1992.
Karl J Åström and Björn Wittenmark. Adaptive control. Courier Corporation, 2013.
Greg Welch, Gary Bishop, et al. An introduction to the kalman filter. 1995.
Herramientas utilizadas
Herramientas utilizadas
Page updated
Google Sites
Report abuse