Aprendizaje de máquina aplicado al control

El objetivo de este trabajo es emular la acción de un controlador utilizando modelos de inteligencia artificial (IA). Para ello, se empleó como planta un sistema de segundo orden que describe la temperatura en un cuarto. Sobre dicha planta, se diseña un controlador predictivo basado en modelo (MPC,...

Full description

Autores:
Tipo de recurso:
Fecha de publicación:
2023
Institución:
Universidad del Rosario
Repositorio:
Repositorio EdocUR - U. Rosario
Idioma:
spa
OAI Identifier:
oai:repository.urosario.edu.co:10336/38270
Acceso en línea:
https://doi.org/10.48713/10336_38270
https://repository.urosario.edu.co/handle/10336/38270
Palabra clave:
Machine learning
Teoria de control
Aprendizaje automático
Control
Modelos de inteligencia artificial (IA)
Controlador predictivo basado en modelo MPC
Uso de IA para el control de procesos dinámicos
Machine learning
Control theory
Control
Rights
License
Attribution-NonCommercial-NoDerivatives 4.0 International
id EDOCUR2_922b6635ea350d2926805e2bbba59100
oai_identifier_str oai:repository.urosario.edu.co:10336/38270
network_acronym_str EDOCUR2
network_name_str Repositorio EdocUR - U. Rosario
repository_id_str
dc.title.none.fl_str_mv Aprendizaje de máquina aplicado al control
dc.title.TranslatedTitle.none.fl_str_mv Machine Learning Applied to Control
title Aprendizaje de máquina aplicado al control
spellingShingle Aprendizaje de máquina aplicado al control
Machine learning
Teoria de control
Aprendizaje automático
Control
Modelos de inteligencia artificial (IA)
Controlador predictivo basado en modelo MPC
Uso de IA para el control de procesos dinámicos
Machine learning
Control theory
Control
title_short Aprendizaje de máquina aplicado al control
title_full Aprendizaje de máquina aplicado al control
title_fullStr Aprendizaje de máquina aplicado al control
title_full_unstemmed Aprendizaje de máquina aplicado al control
title_sort Aprendizaje de máquina aplicado al control
dc.contributor.advisor.none.fl_str_mv Obando Bravo, Germán Dario
dc.subject.none.fl_str_mv Machine learning
Teoria de control
Aprendizaje automático
Control
Modelos de inteligencia artificial (IA)
Controlador predictivo basado en modelo MPC
Uso de IA para el control de procesos dinámicos
topic Machine learning
Teoria de control
Aprendizaje automático
Control
Modelos de inteligencia artificial (IA)
Controlador predictivo basado en modelo MPC
Uso de IA para el control de procesos dinámicos
Machine learning
Control theory
Control
dc.subject.keyword.none.fl_str_mv Machine learning
Control theory
Control
description El objetivo de este trabajo es emular la acción de un controlador utilizando modelos de inteligencia artificial (IA). Para ello, se empleó como planta un sistema de segundo orden que describe la temperatura en un cuarto. Sobre dicha planta, se diseña un controlador predictivo basado en modelo (MPC, por sus siglas en inglés) como referencia para entrenar los algoritmos de IA. MPC es un método que utiliza modelos matemáticos para predecir el comportamiento futuro del sistema y tomar acciones de control óptimas en función de ciertos objetivos preestablecidos. La emulación del controlador puede plantearse como un problema de regresión, por lo tanto se emplearon tres de los modelos más populares de IA para efectuar regresiones: regresión lineal, vectores de soporte y redes neuronales. Para el entrenamiento de los modelos de IA, se utilizó una base de datos generada al simular el comportamiento del controlador MPC sobre la planta de temperatura. Se realizaron diferentes pruebas para evaluar el desempeño de los modelos de IA comparándolos con el controlador MPC. Los resultados mostraron que los modelos de IA pueden ser utilizados con éxito para emular dicho controlador con la ventaja de tener un menor costo computacional. En este sentido, cabe resaltar que MPC necesita resolver iterativamente un problema de optimización, mientras que los algoritmos de IA usados sólo requieren evaluar cierta función (que se obtiene al entrenar los modelos) en cada iteración de control. En conclusión, esta investigación es un primer paso exitoso en un camino prometedor: el uso de IA para el control de procesos dinámicos.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-03-24T21:09:59Z
dc.date.available.none.fl_str_mv 2023-03-24T21:09:59Z
dc.date.created.none.fl_str_mv 2023-02-17
dc.type.none.fl_str_mv bachelorThesis
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.document.none.fl_str_mv Trabajo de grado
dc.type.spa.none.fl_str_mv Trabajo de grado
dc.identifier.doi.none.fl_str_mv https://doi.org/10.48713/10336_38270
dc.identifier.uri.none.fl_str_mv https://repository.urosario.edu.co/handle/10336/38270
url https://doi.org/10.48713/10336_38270
https://repository.urosario.edu.co/handle/10336/38270
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv Abierto (Texto Completo)
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
Abierto (Texto Completo)
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
dc.format.extent.none.fl_str_mv 39 pp
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad del Rosario
dc.publisher.department.none.fl_str_mv Escuela de Ingeniería, Ciencia y Tecnología
dc.publisher.program.none.fl_str_mv Programa de Matemáticas Aplicadas y Ciencias de la Computación - MACC
publisher.none.fl_str_mv Universidad del Rosario
institution Universidad del Rosario
dc.source.bibliographicCitation.none.fl_str_mv A. Bensoussan. Estimation and control of dynamical systems, volume 48. Springer, 2018.
F. Borrelli, A. Bemporad, and M. Morari. Predictive control for linear and hybrid systems. Cambridge University Press, 2017.
E. F. Camacho and C. B. Alba. Model predictive control. Springer science & business media, 2013.
N. Castle. Supervised vs. unsupervised machine learning. Retrieved from, 2017.
N. Castle. What is semi-supervised learning. Oracle DataScience. Com, 2018.
B. Chang, L. Meng, E. Haber, L. Ruthotto, D. Begert, and E. Holtham. Reversible architectures for arbitrarily deep residual neural networks. In Proceedings of the AAAI conference on artificial intelligence, volume 32, 2018.
B. Chang, L. Meng, E. Haber, F. Tung, and D. Begert. Multi-level residual networks from dynamical systems view. arXiv preprint arXiv:1710.10348, 2017.
R. T. Chen, Y. Rubanova, J. Bettencourt, and D. K. Duvenaud. Neural ordinary differential equations. Advances in neural information processing systems, 31, 2018.
H. J. Ferreau, S. Almér, H. Peyrl, J. L. Jerez, and A. Domahidi. Survey of industrial applications of embedded model predictive control. In 2016 European Control Conference (ECC), pages 601–601. IEEE, 2016.
J. Jobson and J. Jobson. Multiple linear regression. Applied multivariate data analysis: Regression and experimental design, pages 219–398, 1991.
M. I. Jordan and T. M. Mitchell. Machine learning: Trends, perspectives, and prospects. Science, 349(6245):255–260, 2015.
W. Koehrsen. Overfitting vs. underfitting: A complete example. Towards Data Science, 2018.
F. L. Lewis, D. Vrabie, and V. L. Syrmos. Optimal control. John Wiley & Sons, 2012.
C. Ma, L. Wu, et al. Machine learning from a continuous viewpoint, i. Science China Mathematics, 63(11):2233–2266, 2020.
B. Mahesh. Machine learning algorithms-a review. International Journal of Science and Research (IJSR).[Internet], 9:381–386, 2020.
C. Nwankpa, W. Ijomah, A. Gachagan, and S. Marshall. Activation functions: Comparison of trends in practice and research for deep learning. arXiv preprint arXiv:1811.03378, 2018.
S. Prajna, P. A. Parrilo, and A. Rantzer. Nonlinear control synthesis by convex optimization. IEEE Transactions on Automatic Control, 49(2):310–314, 2004.
R. Raj. Java Deep Learning Cookbook: Train neural networks for classification, NLP, and reinforcement learning using Deeplearning4j. Packt Publishing Ltd, 2019.
B. Recht. A tour of reinforcement learning: The view from continuous control. Annual Review of Control, Robotics, and Autonomous Systems, 2:253–279, 2019.
R. Rojas. Neural networks: a systematic introduction. Springer Science & Business Media, 2013.
A. E. Sallab, M. Abdou, E. Perot, and S. Yogamani. Deep reinforcement learning framework for autonomous driving. arXiv preprint arXiv:1704.02532, 2017.
P. O. Scokaert, D. Q. Mayne, and J. B. Rawlings. Suboptimal model predictive control (feasibility implies stability). IEEE Transactions on Automatic Control, 44(3):648–654, 1999.
D. Silver, T. Hubert, J. Schrittwieser, I. Antonoglou, M. Lai, A. Guez, M. Lanctot, L. Sifre, D. Kumaran, T. Graepel, et al. Mastering chess and shogi by self-play with a general reinforcement learning algorithm. arXiv preprint ar- Xiv:1712.01815, 2017.
R. S. Sutton and A. G. Barto. Reinforcement learning: An introduction. MIT press, 2018.
V. Vapnik. Estimation of dependences based on empirical data. Springer Science & Business Media, 2006.
K.W.Wong, G. Franciolini, V. De Luca, V. Baibhav, E. Berti, P. Pani, and A. Riotto. Constraining the primordial black hole scenario with bayesian inference and machine learning: the gwtc-2 gravitational wave catalog. Physical Review D, 103(2):023026, 2021.
B. Yu et al. The deep ritz method: a deep learning-based numerical algorithm for solving variational problems. Communications in Mathematics and Statistics, 6(1):1–12, 2018.
G. Zhang, B. E. Patuwo, and M. Y. Hu. Forecasting with artificial neural networks:: The state of the art. International journal of forecasting, 14(1):35–62, 1998.
dc.source.instname.none.fl_str_mv instname:Universidad del Rosario
dc.source.reponame.none.fl_str_mv reponame:Repositorio Institucional EdocUR
bitstream.url.fl_str_mv https://repository.urosario.edu.co/bitstreams/0d1898c9-1590-42d0-846f-f87f53cb28ed/download
https://repository.urosario.edu.co/bitstreams/8513adbe-b492-49ec-8eb0-266621e09da1/download
https://repository.urosario.edu.co/bitstreams/f27c0505-7602-4f51-9687-6994c3218259/download
https://repository.urosario.edu.co/bitstreams/e129c247-7dbf-4ee5-bf94-756d6bcc2183/download
https://repository.urosario.edu.co/bitstreams/51668b46-67a1-4bd1-98db-7e51a79e3571/download
bitstream.checksum.fl_str_mv f99c92f6cfd87fa7770e2e38480f3221
b2825df9f458e9d5d96ee8b7cd74fde6
3b6ce8e9e36c89875e8cf39962fe8920
96fc8b3aff89432dd0efc7f8710689a9
b4e52cb1d237379660d8c9d50ebdfe71
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional EdocUR
repository.mail.fl_str_mv edocur@urosario.edu.co
_version_ 1818106947013967872
spelling Obando Bravo, Germán Dariob3e2b137-428a-4fca-a82a-6f4abedbc274-1Rambaut Lemus, Daniel FelipeProfesional en Matemáticas Aplicadas y Ciencias de la ComputaciónPregradoFull time2c81bcf1-ac12-4fef-b238-3eb718449caa-12023-03-24T21:09:59Z2023-03-24T21:09:59Z2023-02-17El objetivo de este trabajo es emular la acción de un controlador utilizando modelos de inteligencia artificial (IA). Para ello, se empleó como planta un sistema de segundo orden que describe la temperatura en un cuarto. Sobre dicha planta, se diseña un controlador predictivo basado en modelo (MPC, por sus siglas en inglés) como referencia para entrenar los algoritmos de IA. MPC es un método que utiliza modelos matemáticos para predecir el comportamiento futuro del sistema y tomar acciones de control óptimas en función de ciertos objetivos preestablecidos. La emulación del controlador puede plantearse como un problema de regresión, por lo tanto se emplearon tres de los modelos más populares de IA para efectuar regresiones: regresión lineal, vectores de soporte y redes neuronales. Para el entrenamiento de los modelos de IA, se utilizó una base de datos generada al simular el comportamiento del controlador MPC sobre la planta de temperatura. Se realizaron diferentes pruebas para evaluar el desempeño de los modelos de IA comparándolos con el controlador MPC. Los resultados mostraron que los modelos de IA pueden ser utilizados con éxito para emular dicho controlador con la ventaja de tener un menor costo computacional. En este sentido, cabe resaltar que MPC necesita resolver iterativamente un problema de optimización, mientras que los algoritmos de IA usados sólo requieren evaluar cierta función (que se obtiene al entrenar los modelos) en cada iteración de control. En conclusión, esta investigación es un primer paso exitoso en un camino prometedor: el uso de IA para el control de procesos dinámicos.The objective of this work is to emulate the action of a controller using artificial intelligence (AI) models. For this purpose, a second-order system that describes the temperature in a room was employed as the plant. On this plant, a model-based predictive controller (MPC) was designed as a reference to train the AI algorithms. MPC is a method that uses mathematical models to predict the future behavior of the system and take optimal control actions based on certain pre-established objectives. The emulation of the controller can be formulated as a regression problem, therefore, three of the most popular AI models were used for regression: linear regression, support vectors, and neural networks. To train the AI models, a database generated by simulating the behavior of the MPC controller on the temperature plant was used. Different tests were carried out to evaluate the performance of the AI models, comparing them with the MPC controller. The results showed that AI models can be successfully used to emulate the controller with the advantage of having lower computational costs. In this sense, it is worth noting that MPC needs to iteratively solve an optimization problem, while the AI algorithms used only require evaluating a certain function (which is obtained by training the models) at each control iteration. In conclusion, this research is a successful first step in a promising path: the use of AI for the control of dynamic processes.39 ppapplication/pdfhttps://doi.org/10.48713/10336_38270 https://repository.urosario.edu.co/handle/10336/38270spaUniversidad del RosarioEscuela de Ingeniería, Ciencia y TecnologíaPrograma de Matemáticas Aplicadas y Ciencias de la Computación - MACCAttribution-NonCommercial-NoDerivatives 4.0 InternationalAbierto (Texto Completo)http://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2A. Bensoussan. Estimation and control of dynamical systems, volume 48. Springer, 2018.F. Borrelli, A. Bemporad, and M. Morari. Predictive control for linear and hybrid systems. Cambridge University Press, 2017.E. F. Camacho and C. B. Alba. Model predictive control. Springer science & business media, 2013.N. Castle. Supervised vs. unsupervised machine learning. Retrieved from, 2017.N. Castle. What is semi-supervised learning. Oracle DataScience. Com, 2018.B. Chang, L. Meng, E. Haber, L. Ruthotto, D. Begert, and E. Holtham. Reversible architectures for arbitrarily deep residual neural networks. In Proceedings of the AAAI conference on artificial intelligence, volume 32, 2018.B. Chang, L. Meng, E. Haber, F. Tung, and D. Begert. Multi-level residual networks from dynamical systems view. arXiv preprint arXiv:1710.10348, 2017.R. T. Chen, Y. Rubanova, J. Bettencourt, and D. K. Duvenaud. Neural ordinary differential equations. Advances in neural information processing systems, 31, 2018.H. J. Ferreau, S. Almér, H. Peyrl, J. L. Jerez, and A. Domahidi. Survey of industrial applications of embedded model predictive control. In 2016 European Control Conference (ECC), pages 601–601. IEEE, 2016.J. Jobson and J. Jobson. Multiple linear regression. Applied multivariate data analysis: Regression and experimental design, pages 219–398, 1991.M. I. Jordan and T. M. Mitchell. Machine learning: Trends, perspectives, and prospects. Science, 349(6245):255–260, 2015.W. Koehrsen. Overfitting vs. underfitting: A complete example. Towards Data Science, 2018.F. L. Lewis, D. Vrabie, and V. L. Syrmos. Optimal control. John Wiley & Sons, 2012.C. Ma, L. Wu, et al. Machine learning from a continuous viewpoint, i. Science China Mathematics, 63(11):2233–2266, 2020.B. Mahesh. Machine learning algorithms-a review. International Journal of Science and Research (IJSR).[Internet], 9:381–386, 2020.C. Nwankpa, W. Ijomah, A. Gachagan, and S. Marshall. Activation functions: Comparison of trends in practice and research for deep learning. arXiv preprint arXiv:1811.03378, 2018.S. Prajna, P. A. Parrilo, and A. Rantzer. Nonlinear control synthesis by convex optimization. IEEE Transactions on Automatic Control, 49(2):310–314, 2004.R. Raj. Java Deep Learning Cookbook: Train neural networks for classification, NLP, and reinforcement learning using Deeplearning4j. Packt Publishing Ltd, 2019.B. Recht. A tour of reinforcement learning: The view from continuous control. Annual Review of Control, Robotics, and Autonomous Systems, 2:253–279, 2019.R. Rojas. Neural networks: a systematic introduction. Springer Science & Business Media, 2013.A. E. Sallab, M. Abdou, E. Perot, and S. Yogamani. Deep reinforcement learning framework for autonomous driving. arXiv preprint arXiv:1704.02532, 2017.P. O. Scokaert, D. Q. Mayne, and J. B. Rawlings. Suboptimal model predictive control (feasibility implies stability). IEEE Transactions on Automatic Control, 44(3):648–654, 1999.D. Silver, T. Hubert, J. Schrittwieser, I. Antonoglou, M. Lai, A. Guez, M. Lanctot, L. Sifre, D. Kumaran, T. Graepel, et al. Mastering chess and shogi by self-play with a general reinforcement learning algorithm. arXiv preprint ar- Xiv:1712.01815, 2017.R. S. Sutton and A. G. Barto. Reinforcement learning: An introduction. MIT press, 2018.V. Vapnik. Estimation of dependences based on empirical data. Springer Science & Business Media, 2006.K.W.Wong, G. Franciolini, V. De Luca, V. Baibhav, E. Berti, P. Pani, and A. Riotto. Constraining the primordial black hole scenario with bayesian inference and machine learning: the gwtc-2 gravitational wave catalog. Physical Review D, 103(2):023026, 2021.B. Yu et al. The deep ritz method: a deep learning-based numerical algorithm for solving variational problems. Communications in Mathematics and Statistics, 6(1):1–12, 2018.G. Zhang, B. E. Patuwo, and M. Y. Hu. Forecasting with artificial neural networks:: The state of the art. International journal of forecasting, 14(1):35–62, 1998.instname:Universidad del Rosarioreponame:Repositorio Institucional EdocURMachine learningTeoria de controlAprendizaje automáticoControlModelos de inteligencia artificial (IA)Controlador predictivo basado en modelo MPCUso de IA para el control de procesos dinámicosMachine learningControl theoryControlAprendizaje de máquina aplicado al controlMachine Learning Applied to ControlbachelorThesisTrabajo de gradoTrabajo de gradohttp://purl.org/coar/resource_type/c_7a1fEscuela de Ingeniería, Ciencia y TecnologíaORIGINALAprendizaje-de-maquina-aplicado-al-control-Thesis_master.pdfAprendizaje-de-maquina-aplicado-al-control-Thesis_master.pdfapplication/pdf625941https://repository.urosario.edu.co/bitstreams/0d1898c9-1590-42d0-846f-f87f53cb28ed/downloadf99c92f6cfd87fa7770e2e38480f3221MD51LICENSElicense.txtlicense.txttext/plain1483https://repository.urosario.edu.co/bitstreams/8513adbe-b492-49ec-8eb0-266621e09da1/downloadb2825df9f458e9d5d96ee8b7cd74fde6MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8899https://repository.urosario.edu.co/bitstreams/f27c0505-7602-4f51-9687-6994c3218259/download3b6ce8e9e36c89875e8cf39962fe8920MD53TEXTAprendizaje-de-maquina-aplicado-al-control-Thesis_master.pdf.txtAprendizaje-de-maquina-aplicado-al-control-Thesis_master.pdf.txtExtracted texttext/plain50055https://repository.urosario.edu.co/bitstreams/e129c247-7dbf-4ee5-bf94-756d6bcc2183/download96fc8b3aff89432dd0efc7f8710689a9MD54THUMBNAILAprendizaje-de-maquina-aplicado-al-control-Thesis_master.pdf.jpgAprendizaje-de-maquina-aplicado-al-control-Thesis_master.pdf.jpgGenerated Thumbnailimage/jpeg3062https://repository.urosario.edu.co/bitstreams/51668b46-67a1-4bd1-98db-7e51a79e3571/downloadb4e52cb1d237379660d8c9d50ebdfe71MD5510336/38270oai:repository.urosario.edu.co:10336/382702023-03-25 03:02:41.533http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttps://repository.urosario.edu.coRepositorio institucional EdocURedocur@urosario.edu.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

Publicaciones similares