Dinámica estocástica o compleja con información incompleta: una revisión desde el control
El control de procesos con dinámica es- tocástica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al compor- tamiento, sin embargo, esta suposición pierde validez en aplicaciones donde la información del sistema es reducida o incompleta, muy comunes en ambientes...
| Autor Principal: | Gómez, Amalia Dávila; Esp. Docencia Investigativa, FUNLAM, Docente TC, Investigadora Grupo TecnoeInfo, Fundación Universi- taria Luis Amigó -FUNLAM, Medellín |
|---|---|
| Otros Autores: | Peña Palacio, Alejandro; PhD en Ingeniería, UPB, Docente TC, Investigador Grupo GIMSC, Escuela de Ingeniería de Antioquia Medellín, Ortiz Valencia, Paula Andrea; MSc en Ingeniería Automática, UPB, Docente TC, Facultad de Ingenierías, Investigador GAE, Instituto Tecnológico Metropolitano ITM, Medellín, Delgado Trejos, Edilson; PhD en Ingeniería LI Automática, Universidad Nacional de Colombia, Investigador Lab. MIRP, Instituto Tecnológico Metropolitano ITM, Medellín |
| Formato: | info:eu-repo/semantics/article |
| Idioma: | spa |
| Publicado: |
Universidad Santo Tomás. Seccional Bucaramanga
2013
|
| Materias: | |
| Acceso en línea: |
http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/186 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
El control de procesos con dinámica es- tocástica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al compor- tamiento, sin embargo, esta suposición pierde validez en aplicaciones donde la información del sistema es reducida o incompleta, muy comunes en ambientes reales de la industria. La literatura presenta diferentes esquemas de control, siendo los modelos neuro-difusos los que reportan mejor desempeño. Estos modelos con- jugan la capacidad de adaptación que tienen las redes neuronales con la robustez de los motores de inferencia que tiene la lógica difusa, para modelar el conocimien- to de expertos mediante reglas de aprendizaje, identifi- car dinámicas complejas y aumentar la adaptabilidad del sistema a perturbaciones que en la práctica tien- den a ser de naturaleza estocástica sumado, a veces, que la información del sistema sea restringida. Este artículo presenta una revisión sobre dificultades y solu- ciones derivadas del control de sistemas estocásticos o complejos con información incompleta. Se revisan las estructuras de control cuando la dinámica del sis- tema presenta vaguedad en los datos, la evolución ha- cia técnicas adaptativas, y el desempeño de las redes neuro-difusas ante procesos estocásticos o complejos con incertidumbre en los datos. De forma preliminar se establece que el control de este tipo de sistemas debe estar compuesto por modelos híbridos soportados en rutinas de optimización y análisis probabilístico que garanticen el tratamiento de las incertidumbres sin afectar el desempeño de las estructuras de control y la consistencia en la precisión. |
|---|