Catálogo de libros en acceso abierto publicados por el Servicio de Publicaciones e Imagen Institucional de la Universidad de Burgos

XIX SIMPOSIO CEA DE CONTROL INTELIGENTE. LIBRO DE ACTAS EDITORES: JESÚS ENRIQUE SIERRA GARCÍA MARIO PEÑACOBA YAGÜE PEDRO J. CABRERA SANTANA XIX SIMPOSIO CEA DE CONTROL INTELIGENTE LIBRO DE ACTAS 2025 (CONGRESOS Y CURSOS, 84) XIX Simposio CEA de Control Inteligente Reunión anual del grupo de Control Inteligente del comité español de automática (CEA) Universidad de Burgos, 19-21 de junio de 2024. Imagen de cubierta: Stock.adobe.com. Por Degimages. Generado con IA © LOS AUTORES © UNIVERSIDAD DE BURGOS Edita: Servicio de Publicaciones e Imagen Institucional UNIVERSIDAD DE BURGOS Edificio de Administración y Servicios C/ Don Juan de Austria, 1 09001 BURGOS - ESPAÑA ISBN: 978-84-18465-97-0 DOI: https://doi.org/10.36443/9788418465970 Esta obra está bajo una licencia de Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional PROGRAMA Día 1. Miércoles 19 de junio • 16:30 Recogida de documentación • 17:00 Sesión de apertura del simposio. Lugar: Biblioteca Universitaria • 17:30 Conferencia plenaria I. Propiedad Industrial en la Industria. Retos y oportunidades en la implantación de la IA y la industria 4.0. (Luis Ignacio Vicente del Olmo, ABB-Pons IP). Lugar: Biblioteca Universitaria • 20:15 Actividad de ocio I. Visita al casco histórico de Burgos. Punto de encuentro: Teatro Principal de Burgos. • 22:00 Cocktail de bienvenida. Lugar: Hotel NH Collection Palacio de Burgos Día 2. Jueves 20 de junio • 8:30 Recogida de documentación • 9:00 Conferencia plenaria II. IA y el Diseño Basado en Modelos: Aprendizaje por Refuerzo. (Miguel Alonso, Mathworks). Lugar: Biblioteca Universitaria • 10:00 Conferencia plenaria III. En Aranda, Michelin fabrica el futuro (Miguel Ruano, Michelin). Lugar: Biblioteca Universitaria • 10:45 Conferencia plenaria IV. Vehículo autónomo y conectado (Jorge Alcalde García, ITCL). Lugar: Biblioteca Universitaria • 11:30 Sesión de Posters/ Café • 12:00 Conferencia plenaria V. Modelling with Gaussian Processes (Juš Kocijan, Jozef Stefan Institute-University of Nova Gorica). Lugar: Biblioteca Universitaria • 13:30 Visita laboratorios: Laboratorio de robótica y Laboratorio de tecnologías del hidrógeno. Lugar: EPS Milanera • 14:30 Comida de trabajo. Lugar: Restaurante Bellavista • 16:30 Presentaciones doctorandos. Lugar: EPS Milanera aula C01-02 • 18:50 Actividad de ocio II. Visita guiada a las Bodegas Buezo. Salidas en Bus: Teatro Principal de Burgos o EPS Milanera • 21:00 Cena de gala. Lugar: Bodegas Buezo (Mahamud) Día 3. Viernes 21 de junio • 10:00 Finalistas Premio IDOM a la mejor Tesis Doctoral (I). Lugar: Biblioteca Universitaria • 10:40 Sesión de Posters / Café • 11:15 Finalistas Premio IDOM a la mejor Tesis Doctoral (II y III). Lugar: Biblioteca Universitaria • 12:45 Reunión Grupo Temático CEA. Lugar: Biblioteca Universitaria • 13:15 Acto de Clausura • 14:00 Comida de Trabajo / Despedida XIX Simposio CEA de Control Inteligente. (2024) COMITÉ ORGANIZADOR Jesús Enrique Sierra García Daniel Sarabia Ortiz Alejandro Merino Gómez Rubén Ruiz González Juan Vicente Martín Fraile Mario Peñacoba Yagüe Eduardo Quevedo Dueñas Eduardo Bayona Blanco COMITÉ CIENTÍFICO-TÉCNICO Jesús Enrique Sierra García Pedro Jesús Cabrera Santana Juan Manuel Escaño Matilde Santos Eloy Irigoyen Gordo José Luis Calvo-Rolle Basil M. Al-Hadithi Daniel Galán Vicente Eduardo Martínez Cámara Javier Sanchis Saez Emilio Jiménez Macías José Manuel Andujar Márquez Vicente Gómez Garay XIX Simposio CEA de Control Inteligente. (2024) Hacia la optimización de trayectorias de robots colaborativos mediante algoritmos genéticos Peñacoba, M.ª, Sierra-García, J. E. a, Santos, M.b a Escuela Politécnica Superior, Universidad de Burgos, Avda. Cantabria, s/n, 09006 Burgos, España. b Instituto de Tecnología del Conocimiento, Universidad Complutense de Madrid, Calle del Prof. José García Santesmases, 9, 28040, Madrid, España Resumen Este trabajo en curso se enfoca en la optimización de las trayectorias de un robot CRB15000 mediante un algoritmo genético. Para ello, se ha desarrollado un protocolo de comunicación entre el controlador en una computadora y el robot. La trayectoria se ejecutará en un entorno de gemelo digital (RobotStudio), donde se simularán posibles colisiones y se analizará el espacio recorrido por el extremo del robot. La información obtenida será transmitida a la computadora a través del protocolo de comunicación, permitiendo al algoritmo genético optimizar la trayectoria del robot para alcanzar un objeto de manera más eficiente. Esta metodología no solo busca minimizar las colisiones y el recorrido del efector final, sino también mejorar la eficiencia operativa del robot en entornos complejos. Los resultados esperados incluyen una trayectoria optimizada que reduce significativamente el tiempo y los recursos necesarios para completar las tareas asignadas al robot, incrementando así su eficacia y productividad. Palabras clave: Algoritmo genético, optimización, robótica, gemelo digital. Towards the Optimization of Cobot Trajectories Using Genetic Algorithms Abstract This ongoing work focuses on optimizing the trajectories of a CRB15000 robot using a genetic algorithm. To achieve this, a communication protocol has been developed between the controller implemented on a computer and the robot. The trajectory execution will take place in a digital twin environment (RobotStudio), where simulated information on potential collisions and the space traversed by the robot's end effector will be obtained. This information will be transmitted to the computer via the communication protocol, allowing the genetic algorithm to optimize the robot's trajectory to reach an object more efficiently. This methodology aims not only to minimize collisions and the end effector's travel but also to enhance the robot's operational efficiency in complex environments. The expected outcomes include an optimized trajectory that significantly reduces the time and resources required to complete the tasks assigned to the robot, thus increasing its effectiveness and productivity. Keywords: Genetic algorithm, optimization, robotics, digital twin. 1. Introducción La robótica industrial ha sido uno de los sectores más dinámicos y de rápido crecimiento en las últimas décadas, consolidándose como la clave para una industria más eficaz y competitiva. Además, impulsada por la necesidad de incrementar la eficiencia y la productividad en diversos sectores, la robótica ha transformado radicalmente los procesos industriales. En la actualidad, más allá de los eficientes autómatas, la tendencia apunta hacia la robótica colaborativa. Los robots colaborativos, o cobots, han emergido como una solución revolucionaria que permite la interacción segura y eficiente entre humanos y robots. Dentro de este ámbito, la optimización de trayectorias, ya sea de robots industriales o cobots, es un área de vital importancia (Chen and Wen, 2021). Una trayectoria eficiente no solo minimiza el tiempo y los recursos empleados, sino que también reduce el desgaste del equipo y las probabilidades de colisión. Esto, a su vez, mejora la seguridad operativa y facilita una colaboración más fluida entre humanos y robots, consolidando el papel de los cobots como aliados esenciales en la industria del futuro. En particular, en este estudio se ha utilizado el robot colaborativo CRB15000, conocido por su versatilidad y precisión, lo que le convierte en un candidato ideal para la implementación de técnicas avanzadas de control en las que se To cite this article: Peñacoba, M., Sierra, J., Santos, M. 2024. Towards the Optimization of Cobot Trajectories Using Genetic Algorithms. XIX Simposio CEA de Control Inteligente. 2024. XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos 17 han empleado técnicas metaheurísticas para optimización de trayectorias. Una de las metodologías más prometedoras en este ámbito es el uso de algoritmos genéticos (Katic, D et al., 2003). Estos algoritmos, inspirados en los procesos de evolución natural, son capaces de explorar un amplio espacio de soluciones y converger hacia una óptima de manera eficiente. Al aplicar un algoritmo genético para la optimización de las trayectorias del CRB15000 se pretende encontrar rutas que minimicen el riesgo de colisiones y el recorrido del efector final, así como también mejorar la eficiencia operativa en entornos complejos (Manikas, T. W et al., 2007). Para llevar a cabo este estudio, se ha desarrollado un protocolo de comunicación entre el controlador de la computadora y el robot. La implementación se realizará en un entorno de gemelo digital utilizando RobotStudio para simular las trayectorias del robot. Este entorno permitirá la detección de posibles colisiones y el análisis del espacio recorrido por el extremo del robot. La información obtenida de estas simulaciones será transmitida a la computadora mediante el protocolo de comunicación implementado, permitiendo que el algoritmo genético procese los datos y optimice la trayectoria del robot. Se espera que esta metodología conduzca a la obtención de trayectorias eficientes en términos de tiempo y recursos, incrementando significativamente la productividad y eficacia del robot CRB15000. Además, el método propuesto en este trabajo podrá ser extrapolado a cualquier otro robot, permitiendo implementar los avances conseguidos en cualquier robot industrial o cobot, independientemente de su marca o modelo. En resumen, este trabajo se centra en la aplicación de un algoritmo genético para la optimización de trayectorias de un robot industrial, utilizando un gemelo digital para simular y analizar las trayectorias. Los pasos clave incluyen el desarrollo de un protocolo de comunicación, la simulación en RobotStudio, la transmisión de datos y la optimización mediante el algoritmo genético. Los resultados esperados incluyen una mejora significativa en la eficiencia operativa y la reducción de colisiones y recursos empleados. 2. Metodología 2.1 Protocolo de comunicación El robot CRB15000 está equipado con un módulo denominado EGM (Externally Guided Motion) (Mao, Y et al., 2018), que permite la comunicación externa con el robot. En este estudio, los datos de posición tanto enviados como recibidos al robot se gestionarán utilizando dicho módulo, el cual integra un protocolo de comunicación UDPUC (Obal and Gierlak, 2021). A través de este protocolo, se recibirán coordenadas cartesianas de la herramienta del robot, ángulos de Euler y posibles colisiones detectadas en el gemelo digital. Este proceso será implementado utilizando la dirección de bucle interno 127.0.0.1, donde el protocolo de comunicación creado en Python 3.8.1 gestionará la transferencia de datos de manera eficiente. Dicho protocolo se ejecutará desde la controladora, un Dell Vostro 5410, que a su vez procesará los datos mediante un algoritmo genético utilizando Matlab (2023b) en el mismo dispositivo (Qian and Dong, 2023). Esta integración asegura una transición fluida entre las simulaciones digitales y las aplicaciones en el entorno real, optimizando las trayectorias del cobot para mejorar su productividad y eficacia. Se muestra un esquema de la comunicación en la Figura 1. Figura 1: Esquema de comunicación entre el modelo digital del robot y la técnica metaheurística para la optimización de trayectorias. Inicialmente, el algoritmo genético trabajará con los datos obtenidos del modelo digital en RobotStudio. Este entorno permitirá la simulación y evaluación de las trayectorias del robot, facilitando la identificación de colisiones y el análisis del recorrido del efector final. Una vez que el algoritmo haya determinado la trayectoria más eficiente, esta información se transferirá al robot real para su implementación. 2.2 Diagrama de Arquitectura La arquitectura del sistema se ha implementado como sigue. El algoritmo genético, desarrollado en Matlab, genera trayectorias de referencia {𝑥𝑥𝑟𝑟𝑟𝑟𝑟𝑟, 𝑦𝑦𝑟𝑟𝑟𝑟𝑟𝑟, 𝑧𝑧𝑟𝑟𝑟𝑟𝑟𝑟,𝜍𝜍𝑟𝑟𝑟𝑟𝑟𝑟, 𝜃𝜃𝑟𝑟𝑟𝑟𝑟𝑟, 𝜑𝜑𝑟𝑟𝑟𝑟𝑟𝑟} que se corresponden con las coordenadas cartesianas de la última articulación del robot. Estas son enviadas al módulo de simulación de trayectorias. La simulación, ejecutada en RobotStudio, evalúa estas trayectorias en un entorno de gemelo digital, detectando posibles colisiones y calculando el recorrido del efector final del robot. Los resultados de dicha simulación se traducen en las coordenadas y ángulos reales, o, en otras palabras, los puntos y ángulos por los que ha pasado el robot {𝑥𝑥𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝑦𝑦𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝑧𝑧𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝜍𝜍𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝜃𝜃𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟, 𝜑𝜑𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟} y las posibles colisiones {𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐ó𝑛𝑛} indicadas con un valor binario {0, 1}. Estos datos se transmiten de regreso al algoritmo genético a través de un protocolo de comunicación basado en Python 3.8.1. Este protocolo utiliza la dirección de bucle interno 127.0.0.1 y el protocolo de comunicación UDPUC para garantizar una transferencia de datos eficiente. El diagrama de la arquitectura se muestra en la Figura 2. Figura 2: Diagrama de arquitectura Por último, la función de coste, también implementada en Matlab, evalúa la eficiencia de las trayectorias simuladas en función del tiempo y los recursos empleados, además de la Peñacoba, M. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 18 detección de colisiones. Basándose en esta evaluación, el algoritmo genético ajusta las trayectorias. Este ciclo se repite hasta encontrar la ruta más eficiente. Una vez que se ha determinado la trayectoria óptima en el entorno de simulación, esta se puede transferir al robot real para su implementación, asegurando así una mejora significativa en la productividad y eficacia del robot CRB15000. 2.3 Problema de optimización La optimización de la trayectoria requiere la definición de una función de coste que el algoritmo genético debe minimizar. En este caso, la función de coste estará diseñada para evaluar tres aspectos clave: evitar colisiones, minimizar la distancia de la trayectoria y minimizar el tiempo de operación (Zhang, Y et al,. 2023). Con la comunicación establecida y validada, el siguiente paso en el desarrollo del trabajo es integrar el algoritmo genético. La recopilación y el envío de datos entre los diferentes componentes del sistema ya están implementados con éxito. Ahora, la atención se centrará en la implementación de la optimización metaheurística mediante un algoritmo genético desarrollado en Matlab. Este algoritmo se encargará de procesar los datos obtenidos de las simulaciones en RobotStudio y optimizar las trayectorias del robot en función de una función de coste que evalúa tiempo, recursos empleados y detección de colisiones (Li, Y et al., 2023). El objetivo del algoritmo de optimización es encontrar una trayectoria que cumpla con los siguientes criterios: I. Sin Colisiones: La trayectoria debe evitar cualquier intersección con obstáculos. Este criterio es fundamental para asegurar la seguridad operativa del robot. Si se producen colisiones, el valor de la función de coste será considerablemente alto. II. Minimización de la trayectoria recorrida: para obtener una trayectoria optimizada, se debe garantizar un funcionamiento eficaz y, además, un gasto energético mínimo. Esto se traduce en la menor distancia recorrida posible que garantice el correcto funcionamiento de la trayectoria. III. Minimización del Tiempo de Operación: La trayectoria debe completarse en el menor tiempo posible, siempre y cuando se cumplan los dos criterios anteriores. Este aspecto está intrínsecamente relacionado con la optimización del espacio y la velocidad operativa del manipulador. Conociendo estas premisas, se ha definido la función de coste según la ecuación 1. En ella 𝐷𝐷𝑖𝑖 se corresponde con la distancia entre un punto de paso y el siguiente, 𝑡𝑡𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 es el tiempo total que tarda en ejecutarse la trayectoria, 𝐷𝐷𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑟𝑟𝑟𝑟𝑟𝑟 es la distancia total que ha recorrido el robot en la trayectoria de referencia a minimizar. Siendo esta una trayectoria que ha ejecutado el operario y se ha utilizado como referencia para que sea mejorada por el algoritmo genético. Por último, 𝑡𝑡𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑟𝑟𝑟𝑟𝑟𝑟 es el tiempo total que ha tardado en ejecutarse dicha trayectoria de referencia. 𝑓𝑓𝑐𝑐= ⎩ ⎪ ⎨ ⎪ ⎧ 2 + � 𝐷𝐷𝑖𝑖 𝑛𝑛 𝑖𝑖=1 +𝑡𝑡𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 ∑𝐷𝐷𝑖𝑖 𝑛𝑛 𝑖𝑖=1 𝐷𝐷𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑟𝑟𝑟𝑟𝑟𝑟+∑𝑡𝑡𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑛𝑛 𝑖𝑖=1 ∑𝑡𝑡𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑟𝑟𝑟𝑟𝑟𝑟 𝑛𝑛 𝑖𝑖=1 𝑐𝑐𝑓𝑓 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛 ≠0 𝑐𝑐𝑓𝑓 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛= 0 (1) La función de coste está definida de tal manera que las trayectorias con colisiones tendrán un valor superior a 2 y las trayectorias sin colisiones un inferior a 2. De esta manera, el algoritmo genético podrá iterar y ajustar las trayectorias hasta encontrar la más eficiente según estos parámetros (Peñacoba, M et al., 2023). La integración del algoritmo genético permitirá encontrar trayectorias óptimas que eviten colisiones, maximicen la cobertura y minimicen el tiempo de operación, asegurando así una mejora continua en la productividad y eficacia del robot. 3. Desarrollo del trabajo En la fase inicial del proyecto, se ha probado extensivamente la comunicación entre Python y RobotStudio, así como entre Python y el robot real, utilizando el protocolo UDPUC presente en el módulo EGM. Estas pruebas han permitido validar la robustez y la fiabilidad del sistema de comunicación para el intercambio de datos entre el controlador y el robot. Además, se han realizado pruebas de precisión del robot tanto en modo de control articular como en modo de control cartesiano. Los resultados han mostrado desviaciones menores a 1 mm de precisión en cada eje, lo cual es un indicador positivo de la exactitud y consistencia del sistema en operaciones reales. Con la comunicación establecida y validada, el siguiente paso en el desarrollo del trabajo es integrar el algoritmo genético. Habiendo sido la recopilación y el envío de datos entre los diferentes componentes del sistema implementados con éxito, ahora, la atención se centrará en la implementación de la optimización metaheurística mediante un algoritmo genético desarrollado en Matlab. Este algoritmo se encargará de procesar los datos obtenidos de las simulaciones en RobotStudio y optimizar las trayectorias del robot en función de una función de coste que evalúa tiempo, recursos empleados y detección de colisiones. Una vez completada esta fase, se espera que el sistema mejore significativamente la eficiencia operativa del robot CRB15000, tanto en entornos de simulación como en aplicaciones reales. Referencias Chen, S., & Wen, J. T. (2021). Industrial robot trajectory tracking control using multi-layer neural networks trained by iterative learning control. Robotics, 10(1), 50. Katic, D., Vukobratovic, M., Katic, D., & Vukobratovic, M. (2003). Genetic Algorithms in Robotics. Intelligent Control of Robotic Systems, 113-131. Manikas, T. W., Ashenayi, K., & Wainwright, R. L. (2007). Genetic algorithms for autonomous robot navigation. IEEE Instrumentation & Measurement Magazine, 10(6), 26-31. Mao, Y., Lu, Q., & Xu, Q. (2018). Visual servoing control based on EGM interface of an ABB robot. In 2018 Chinese Automation Congress (CAC) (pp. 3260-3264). IEEE. Obal, P., & Gierlak, P. (2021). EGM Toolbox—Interface for Controlling ABB Robots in Simulink. Sensors, 21(22), 7463. Peñacoba, M. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 19 Qian, Y., & Dong, D. (2023). Servo-based High-speed Alignment Software using EGM Interface. In 2023 IEEE International Conference on Robotics and Biomimetics (ROBIO) (pp. 1-6). IEEE. Zhang, Y., Ou, B., Xu, Y., & Dai, C. (2023, April). Path planning of mobile robots based on genetic algorithm. In 2023 8th International Conference on Cloud Computing and Big Data Analytics (ICCCBDA) (pp. 501-505). IEEE. Li, Y., Zhao, J., Chen, Z., Xiong, G., & Liu, S. (2023). A robot path planning method based on improved genetic algorithm and improved dynamic window approach. Sustainability, 15(5), 4656. Peñacoba, M., Sierra-García, J. E., Santos, M., & Mariolis, I. (2023). Path Optimization Using Metaheuristic Techniques for a Surveillance Robot. Applied Sciences, 13(20), 11182. Peñacoba, M. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 20 Control predictivo basado en modelo de red neuronal. Aplicación al control de procesos no lineales. J. Sendra,a, J. Sanchis a, L. Iturbe b, M. Larrea b, E. Irigoyen b a. Instituto Universitario de Automática e Informática Industrial, Universitat Politécnica de Valencia, Valencia, España. b. Universidad del País Vasco UPV-EHU. Escuela Técnica Superior de Ingeniería. Bilbao. España. Resumen Este trabajo presenta el control de dos procesos distintos mediante el control predictivo sobre modelo (MPC), tomando como modelo una red neuronal autorregresiva no lineal con entradas exógenas (NARX). Al tratarse de un MPC no lineal, la solución se encontrará mediante el uso de un algoritmo genético multiobjetivo (MOGA), el cual deberá optimizar las funciones básicas de un MPC. Además, se asegurará el seguimiento sin error de la referencia mediante la realimentación del offset a las predicciones de la red. Este control se ha aplicado a dos procesos SISO diferentes. El primero de ellos es una célula Peltier, en el que se controlará la temperatura de la cara fría de esta a través de la tensión de entrada a dicha célula. En este proceso se comparará la eficiencia del control con un control PID. El segundo proceso es un tanque reactor de agitado continuo (CSTR), del cual se controlará la concentración dentro de dicho tanque, a partir del caudal de entrada. Para esta comparativa, se hará uso de un MPC lineal al uso. Palabras clave: Control no lineal, Redes neuronales, Control basado en modelos, SISO. Neural network-based model predictive control and its application to nonlinear process control. Abstract This work presents the control of two different processes through model predictive control (MPC), taking as said model a nonlinear autoregressive with exogenous inputs (NARX) neural network. Since it is a non-linear MPC, the solution will be found using a multi-objective genetic algorithm (MOGA), which must optimize the basic cost functions of an MPC. In addition, reference tracking will be ensured by feeding the offset back to the network predictions. This control has been applied to two different SISO processes. The first of them is a Peltier cell, in which the temperature of the cold side of the cell will be controlled through the input voltage to said cell. In this process the control efficiency will be compared with a PID control. The second process is a continuous stirred tank reactor (CSTR), of which the concentration within said tank will be controlled, based on the inlet flow. For this comparison, a standard linear MPC will be used. Keywords: Nonlinear control, Neural networks, Model based control, SISO. 1. Introducción El control MPC es uno de los diseños más utilizados para el control de procesos de alta complejidad (Darby and Nikolaou, 2012). Se ha convertido en uno de los controles más populares en las últimas décadas por su alta capacidad para controlar procesos altamente no lineales (Allgower et al., 2004) Una de las desventajas de este diseño es la necesidad de un buen modelo, capaz de replicar el proceso con gran similitud, en uno o varios puntos de operación. En varios casos, un modelo lineal es suficiente para obtener resultados satisfactorios, pero existen también procesos que no pueden ser controlados por un MPC lineal. Para resolver dicho problema, es posible el uso de un MPC no lineal que, pese a requerir mayor capacidad de computación, es capaz de utilizar un modelo más representativo del proceso a controlar. Sin embargo, los modelos necesarios para el uso de este diseño tienen la desventaja de ser altamente complicados de obtener. Por ello, se va a utilizar un modelo autorregresivo no lineal con entradas exógenas en forma de red neuronal, que, como se ha visto en varias ocasiones (Sjöberg et al., 1994), To cite this article: J. Sendra, J. Sanchis, L. Iturbe, M. Larrea, E. Irigoyen. Neural Network Model Predictive Control. Application to non-linear processes. XIX Simposio CEA de Control Inteligente. 2024. XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos 21 (Schäfer and Zimmermann, 2006) (Rehmer and Kroll, 2019) es capaz de identificar un proceso a partir de datos entrada/salida. Gracias a esto se reduce enormemente el tiempo requerido para la identificación de sistemas que previamente necesitaba este tipo de control. Con el uso de este modelo, se obtendrá un esquema de control predictivo sobre modelo de red neuronal (NNMPC). Este diseño de control ha sido probado anteriormente (Saint-Donat et al., 2007) (Piche et al., 1999) (Kittisupakorn et al., 2009) y se conoce su capacidad, sobre la cual se implementarán mejoras. Para comprobar la eficiencia del diseño implementado, se controlarán dos procesos no lineales diferentes y se comparará su eficacia con otros diseños más conocidos y aceptados. El principal objetivo del trabajo es la obtención de un diseño de MPC basado en un modelo de red neuronal que sea capaz de un control equivalente al de otros controles más arraigados. La estructura del trabajo será la siguiente. La Sección 2 presentará el esquema de control que se utilizará en ambos procesos, detallando las funciones de coste y el seguimiento de las referencias. En la Sección 3 se presentará el proceso de la célula Peltier, y en sus subapartados se detallará la identificación y el control llevados a cabo, así como la comparativa con el control PID mencionado. En la Sección 4 se hará análogamente con el proceso CSTR. Por último, la Sección 5 tomará los resultados de las anteriores para dar conclusiones acerca del trabajo. 2. Control predictivo sobre modelo de red neuronal (NNMPC) El control NNMPC se caracteriza por utilizar un modelo de predicción de tipo NARX basado en una red neuronal simple. Por otro lado, se plantea un problema de optimización multiobjetivo minimizando simultáneamente dos funciones de coste clásicas del MPC como son el error de seguimiento de la trayectoria y el esfuerzo de control. 2.1. Modelo de predicción: Red neuronal NARX Figura 1: Esquema red neuronal NARX, tomado de [Seel et al., 2021] La red neuronal de la figura 1 obtiene una predicción a un paso, a partir de los valores anteriores y actuales de entradas y salidas. Para realizar la predicción a p-pasos, para cada instante futuro se realimenta la predicción anterior, añadiendo una entrada nueva: ŷ𝑘𝑘+1 =𝑓𝑓( 𝑢𝑢𝑘𝑘,…,𝑢𝑢𝑘𝑘−𝑚𝑚𝑚𝑚,𝑦𝑦𝑘𝑘,…,𝑦𝑦𝑘𝑘−𝑚𝑚𝑚𝑚) ŷ𝑘𝑘+2 =𝑓𝑓( 𝑢𝑢𝑘𝑘+1, … , 𝑢𝑢𝑘𝑘−𝑚𝑚𝑚𝑚+1,ŷ𝑘𝑘+1, … , 𝑦𝑦𝑘𝑘−𝑚𝑚𝑚𝑚+1) … ŷ𝑘𝑘+𝑝𝑝 =𝑓𝑓( 𝑢𝑢𝑘𝑘+𝑝𝑝−1,…,𝑢𝑢𝑘𝑘+𝑝𝑝−𝑚𝑚𝑚𝑚,ŷ𝑘𝑘+𝑝𝑝−1,…,ŷ𝑘𝑘+𝑝𝑝−𝑚𝑚𝑚𝑚) De esta manera, iterando la función implementada por la red neuronal, se pueden obtener tantas predicciones como el horizonte de predicción requiera. La tipología de red neuronal de una red NARX es de una única capa oculta y una de salida, lo cual la convierte en una red sencilla, cuyos parámetros de estructura son el número de valores anteriores de entrada, la cantidad de realimentaciones de la salida y el número de neuronas que existirán en la capa oculta. Por ello, es posible generar una función que, a partir de los valores propios de la red (pesos en cada neurona, sesgos, valores de normalización de variables), pueda generar las predicciones de esta con mayor velocidad comparado con, por ejemplo, la función net() de Matlab. Cabe destacar también que las redes NARX implementan por defecto la función tansig() como función de activación de la capa oculta, y se ha decidido cambiar esta por elliotsig(), ya que, aun siendo parecidas, ambas introducen la posibilidad de no-linealidad en la red pero esta última presenta una menor carga computacional, algo esencial para el control en tiempo real. 2.2. Optimización multiobjetivo y MPC. El controlador resuelve en cada periodo de control un problema de optimización multiobjetivo cuyas variables de decisión son los cambios en las acciones de control futuras ∆𝑢𝑢. Es decir, el propio algoritmo de optimización es el algoritmo de control. El controlador hará uso de la red neuronal para obtener las predicciones y resolverá el problema siguiente: 𝑚𝑚𝑐𝑐𝑛𝑛∆𝑢𝑢 ( 𝐽𝐽1, 𝐽𝐽2) donde 𝐽𝐽1=𝛼𝛼�‖𝑟𝑟𝑘𝑘+𝑖𝑖−𝑦𝑦�𝑘𝑘+𝑖𝑖‖2 𝑝𝑝 𝑖𝑖=1 𝐽𝐽2=𝜆𝜆�‖∆𝑢𝑢𝑘𝑘+𝑖𝑖‖2 𝑐𝑐−1 𝑖𝑖=0 Siendo p y c los horizontes de predicción y control respectivamente, 𝑟𝑟𝑘𝑘 la referencia en el instante k, 𝑦𝑦�𝑘𝑘 la predicción en ese mismo instante, ∆𝑢𝑢𝑘𝑘= 𝑢𝑢𝑘𝑘−𝑢𝑢𝑘𝑘−1, el cambio de la acción de control, 𝛼𝛼 un factor de ponderación del error de seguimiento de la referencia y 𝜆𝜆 un factor de ponderación del esfuerzo de control. Además, existen las siguientes restricciones relacionadas con los límites de la variable controlada y manipulada. Sendra, J. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 22 𝑦𝑦≤𝑦𝑦�𝑘𝑘+𝑖𝑖 ≤𝑦𝑦 , ∀ 𝑐𝑐 𝜖𝜖 [1 ⋯𝑝𝑝] 𝑢𝑢≤𝑢𝑢𝑘𝑘+𝑖𝑖 ≤𝑢𝑢,∀ 𝑐𝑐 𝜖𝜖 [0 ⋯𝑐𝑐−1] ∆𝑢𝑢≤∆𝑢𝑢𝑘𝑘+𝑖𝑖 ≤∆𝑢𝑢,∀ 𝑐𝑐 𝜖𝜖 [0 ⋯𝑐𝑐−1] Para resolver el problema de optimización anterior se requiere de un algoritmo de optimización multiobjetivo, como por ejemplo NSGA-II (Deb et al., 2002), SP-MODE (ReynosoMeza, 2009), etc. En este trabajo se ha utilizado el algoritmo ev-MOGA (Martínez et al., 2009), debido a sus características de distribución de las soluciones y sencillez en la sintonía de sus hiper-parámetros. La solución encontrada por el algoritmo no será única, sino que resultará en un conjunto de soluciones, todas ellas óptimas, conformando el conocido Frente de Pareto (FP) en el espacio de los objetivos. Aunque es característico de los problemas de optimización multiobjetivo una fase de análisis de las soluciones que conforman el FP para elegir cuál de ellas será la solución preferida, en este caso el controlador aplicará una técnica sencilla para seleccionar automáticamente el conjunto de acciones de control preferidas utilizando el criterio de mínima distancia euclídea al punto utópico 𝐽𝐽𝑈𝑈 (formado por los valores mínimos de cada objetivo) esto es: ∆𝑢𝑢=arg min(𝐽𝐽−𝐽𝐽𝑈𝑈) 2.3. Seguimiento de la referencia sin error (Offset-Free) Puesto que las predicciones de la red neuronal no serán exactas debido a dinámica no modelada, perturbaciones no medibles, etc. es necesario incorporar en el controlador algún mecanismo que asegure un error en régimen permanente nulo para un correcto seguimiento de la trayectoria de referencia. En este trabajo, se ha utilizado el método propuesto en (Tatjewski, 2017) para procesos no lineales en el que, a partir de un error de predicción, 𝑣𝑣𝑘𝑘 , para el instante actual y calculado como: 𝑣𝑣𝑘𝑘=𝑦𝑦𝑘𝑘−𝑓𝑓� 𝑢𝑢𝑘𝑘−1, … , 𝑢𝑢𝑘𝑘−𝑚𝑚𝑚𝑚−1,𝑦𝑦𝑘𝑘−1, … , 𝑦𝑦𝑘𝑘−𝑚𝑚𝑚𝑚−1� � � � � � � � � � � � � � � � � � � � � � � � � � � � ŷ𝑘𝑘 Y asumiendo que dicho error se mantendrá constante en el futuro, 𝑣𝑣𝑘𝑘=𝑣𝑣𝑘𝑘+1 =⋯=𝑣𝑣𝑘𝑘+𝑝𝑝 Se pueden calcular cada una de las p predicciones como: ŷ𝑘𝑘+𝑖𝑖 =𝑓𝑓� 𝑢𝑢𝑘𝑘+𝑖𝑖, … , 𝑢𝑢𝑘𝑘−𝑚𝑚𝑚𝑚,𝑦𝑦�𝑘𝑘+𝑖𝑖−1,…,𝑦𝑦�𝑘𝑘+𝑖𝑖−𝑚𝑚𝑚𝑚�+𝑣𝑣𝑘𝑘 Por lo que, a la hora de la implementación, solo se necesitará el valor del offset 𝑣𝑣𝑘𝑘 para corregir de forma iterativa las predicciones. 3. Casos prácticos de aplicación 3.1. Célula Peltier Una célula Peltier es un dispositivo de refrigeración basado en el enfriamiento termoeléctrico. En este trabajo, se ha utilizado el modelo de célula Peltier descrito [Huilcapi et al., 2017] y se ha implementado en Simulink tal y como muestra la Figura 2. Figura 2: Implementación del sistema Peltier en Simulink. Se trata de un sistema de una entrada y una salida no lineal, en el que la variable que se controlará es la temperatura de la cara fría (Tcool), en ºC, y la variable manipulada será el porcentaje de actuación respecto a la tensión máxima de entrada al diodo Peltier (Vin), en %. El conjunto de datos utilizados para el ajuste y entrenamiento de la red neuronal NARX, que servirá para desarrollar el modelo de predicción, fue obtenido a partir de distintos experimentos realizados con la célula Peltier. Se insertó una entrada cada segundo, dentro del rango total de operación (0% -100%), con cambios aleatorios en la acción de control en intervalos de tiempo también aleatorios. La red neuronal seleccionada presenta los siguientes parámetros: El número de entradas anteriores para la predicción es de 10, igual que el de realimentaciones de la salida. Esto significa que, para la predicción en el instante k+1, se requerirán los valores desde k hasta k-10. Además, el número de neuronas en la capa oculta es de 10. Estos números se han seleccionado debido a la poca mejora que presenta la red al aumentar cualquiera de ellos. Además, la red se ha entrenado con el método de retropropagación de LevenbergMarquardt, el cual busca el mínimo del error cuadrático de las predicciones de la red respecto a los valores reales del proceso, a través del método del descenso de gradiente. Los parámetros del entrenamiento son un gradiente mínimo de 10-10, un número máximo de épocas de 2000 y un máximo de épocas de no mejora de 1500. Además, la división del conjunto de datos ha sido del 70% para el entrenamiento, 15% para la validación y el 15% restante para test. Para la validación final del modelo, se obtuvo otro conjunto de datos diferente al usado en el entrenamiento. En las figuras 3 y 4 puede apreciarse la capacidad de la red neuronal para reproducir el comportamiento de la temperatura. Sendra, J. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 23 Figura 3: Validación del modelo de red neuronal para célula Peltier. Figura 4: Zoom (5000-7000s) validación para célula Peltier. Con el modelo validado, se implementó el algoritmo NNMPC utilizando los siguientes parámetros mostrados en la Tabla 1. Tabla 1: Parámetros del control NNMPC en la célula Peltier Parámetros NNMPC p 10 c 5 ∆𝑢𝑢, ∆𝑢𝑢 � � � � -2%, 2% alfa 1 lambda 8 Parámetros ev-MOGA Nº individuos 200 Nº generaciones 200 Para simular el escenario de 700 segundos de la figura 5 se utilizaron 147 segundos de tiempo de cómputo, lo que hace viable su implementación en tiempo real. El resultado de la simulación del bucle de control arroja unas prestaciones adecuadas comparadas con las alcanzadas por un PID. Tal y como muestran las figuras 5 y 6, el control mediante PID y el realizado con el diseño NNMPC es altamente parecido. En este caso, al tratarse de un sistema con una no linealidad sencilla, el control PID es capaz de controlar el proceso. Sin embargo, los valores de Error cuadrático medio (MSE) y de variación total de la acción de control (∑∆𝑢𝑢) para el NNMPC son mejores que los obtenidos para el controlador lineal (Tabla 2). Tabla 2: Prestaciones para ambos controladores en la célula Peltier Indicador NNMPC PID MSE 12.848 13.038 ∑ ∆𝑢𝑢 145.382 149.636 Figura 5: Comparativa de control de célula Peltier. Figura 6: Zoom (300-500 s) comparativa de control de célula Peltier. 3.2 Tanque Reactor de Agitado Continuo (CSTR) El CSTR descrito en (Henson et al, 90) puede considerase como un “benchmark” de control no lineal para procesos de una entrada y una salida. Este proceso presenta un comportamiento no lineal más pronunciado que el ejemplo anterior. En este apartado se intentará demostrar que el controlador NNMPC es capaz de alcanzar buenas prestaciones de control y de superar a un MPC convencional. En el CSTR se controla la temperatura y concentración del fluido dentro del tanque, manipulando la temperatura del refrigerante y el caudal de entrada al reactor. Pese a que este sistema se suele tratar como MIMO, en este ejemplo se va a controlar únicamente la concentración a través del caudal de entrada. El modelo se implementó en Simulink (Figura 7) y, análogamente al ejemplo anterior, se realizaron varios experimentos con el proceso para obtener sendos conjuntos de datos entrada/salida. El primer conjunto de datos se utilizó para entrenar una red neuronal NARX formada por un único retardo en la entrada (para predicción en k+1, únicamente se requerirá la entrada en el instante k), dos realimentaciones de la salida, Sendra, J. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 24 y 3 neuronas. Los parámetros de entrenamiento se mantuvieron en este segundo ejemplo, puesto que arrojaron resultados satisfactorios. Con el segundo conjunto de datos se realizó una validación del modelo obtenido (Figura 8 y Figura 9). Figura 7: Implementación del sistema CSTR en Simulink. Figura 8: Validación CSTR. Figura 9: Zoom (2000-2200 s) validación CSTR. En este caso, el diseño será comparado con un MPC tradicional, ya que se trata de un proceso más complicado de controlar y el PID no tiene la capacidad controlar correctamente el proceso en todo su rango de operación. En la simulación del lazo de control con un periodo de control de 5 s., se generaron perturbaciones en los parámetros del proceso, para observar la capacidad del rechazo a perturbaciones de ambos controladores. La primera de ellas se realizó en el instante t=125 min, donde se alteró la concentración del fluido de entrada Ca0 en un 2%, así como la constante del ratio de reacción k0, en un 2% también. Más adelante, en el instante t=270 min, la temperatura del refrigerante se aumentó en 2 K, afectando al punto de operación del proceso. Se utilizaron los mismos parámetros para el MPC, tales como el modelo utilizado, horizontes y factores de ponderación, que en (Viviana et al., 2023). En la tabla 3, se detallan los utilizados en el control NNMPC: Tabla 3: Parámetros del control NNMPC en el CSTR. Parámetros NNMPC p 20 c 5 ∆𝑢𝑢, ∆𝑢𝑢 � � � � -1 L/min, 1 L/min alfa 50 lambda 0.05 Parámetros ev-MOGA Nº individuos 200 Nº generaciones 200 Siendo el resultado de la simulación del lazo cerrado el mostrado en las figuras 10 y 11. Figura 10: Comparativa del control MPC vs. NNMPC para el CSTR. Sendra, J. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 25 El método implica la extracción de características visuales de imagen de profundidad inicialmente y luego la construcción de un volumen 3D basado en el tronco de la cámara de referencia a través de distorsiones monotónicas diferenciables. Posteriormente, se aplica la convolución 3D para regularizar y estimar por regresión el mapa de profundidad inicial. Por último, la imagen de referencia se utiliza para optimizar y generar el resultado final (Zhou et al., 2024). Los algoritmos de procesamiento de nubes de puntos 3D basados en el aprendizaje profundo generalmente incluyen algoritmos basados en vóxeles (píxeles volumétricos), algoritmos basados en vistas y algoritmos basados en puntos. El algoritmo basado en puntos utiliza directamente coordenadas de puntos como entrada y puede aprender directamente de los datos originales de una manera integral, simplificando la ingeniería de características y el diseño de reglas en el proceso tradicional. Tiene una gran capacidad de generalización y robustez y es adecuado para escenarios de todo tipo y tamaño. El método Campo de Radiancia Neural (NeRF) consiste en utilizar campos neuronales de radiación 5D para representar geometría compleja y material en escenas continuas. Se trata de un nuevo paradigma en el campo del aprendizaje profundo y la visión por ordenador, que marca la transición del enfoque convencional del aprendizaje profundo al procesamiento de datos 3D. NeRF utiliza la red Perceptrón Multicapa (MLP) para la parametrización e introduce un método de renderizado diferenciable que mejora las técnicas tradicionales de renderizado de vóxeles (píxeles volumétricos). Las imágenes RGB se obtienen mediante renderizado diferenciable. Cada coordenada 5D se asigna a un espacio de mayor dimensión utilizando el método de codificación de posición, lo que permite optimizar el campo de radiación neural para expresar mejor los detalles de alta frecuencia (Zhou et al., 2024). 6. Conclusiones Para resolver el problema existente, paletizar piezas totalmente negras sin zonas de contraste, la visión 3D es más adecuada porque en este caso es mucho más fiable detectar diferencia de profundidad. Lo más conveniente es tecnología sin contacto, Figura 4. Por economía, se evaluará primeramente la validez de métodos comercialmente disponibles en la industria, Figura 12. Considerando la triangulación láser o perfilometría láser requiere movimiento, por lo que habría que embarcar la cámara en el robot para escanear el palé. Además, es un sistema bastante caro, aunque muy preciso. De entre los sistemas que no requieren movimiento, el tiempo de vuelo sería la tecnología más equilibrada por disponer de un campo de visión amplio, apenas se ve afectada por la luz externa y puede alcanzar una precisión del orden de mm (suficiente para la aplicación). Referencias Aboali, M., Manap, N. A., Darsono, A. M., & Yusof, Z. M. (2017). Review on three dimensional (3-D) acquisition and range imaging techniques [Article]. International Journal of Applied Engineering Research, 12(10), 2409-2421. https://www.scopus.com/inward/record.uri?eid=2-s2.085020866652&partnerID=40&md5=d3913cc83439f72eeff316fe015dd5a 0 e-con Systems™ Inc. (2023, January 12th). Time-of-Flight (ToF) vs Stereo Vision vs Structured light – Detailed look | e-con Systems California (USA), e-con Systems™ Inc. https://www.youtube.com/watch?v=K1j73e3D8qU Haus, J. r. (2010). Optical Sensor Concepts. In Optical Sensors (pp. 63-146). https://doi.org/https://doi.org/10.1002/9783527629435.ch6 Holroyd, M. (2015). Photometric stereo. In (Vol. 800 x 600 pixels). https://upload.wikimedia.org/wikipedia/commons/b/b5/Photometric_stere o.png: Wikimedia Commons. Isgro, F., Odone, F., & Verri, A. (2005, 4-6 July 2005). An open system for 3D data acquisition from multiple sensor. Seventh International Workshop on Computer Architecture for Machine Perception (CAMP'05), Koch, M., & Döring, A. (2011). OCR vs OCV Monitoring of printed product information. Baumer. https://www.baumer.com/medias/__secure__/Baumer_VT-OCR-vsOCV_TR_EN_1105.pdf?mediaPK=8828977348638 Lange, R. (2000). 3D time-of-flight distance measurement with custom solidstate image sensors in CMOS/CCD-technology Nilsson, F., & Murhed, A. (2015). Select the best technology for your vision application (8018982). https://cdn.sick.com/media/docs/2/22/322/whitepaper_sick_ag_whitepape r_select_the_best_technology_for_your_vision_application_en_im00633 22.pdf Phanomchoeng, G., & Chanchareon, R. (2017, 1-3 April 2017). Projected pattern on three-dimensional objects for image feature classification and recognition. 2017 2nd International Conference on Control and Robotics Engineering (ICCRE), Pilar Valerga Puerta, A., Aletheia Jimenez-Rodriguez, R., Fernandez-Vidal, S., & Raul Fernandez-Vidal, S. (2020). Photogrammetry as an Engineering Design Tool. In Product Design. IntechOpen. https://doi.org/10.5772/INTECHOPEN.92998 Se, S., & Pears, N. (2020). Passive 3D Imaging. In Y. Liu, N. Pears, P. L. Rosin, & P. Huber (Eds.), 3D Imaging, Analysis and Applications (pp. 39107). Springer International Publishing. https://doi.org/10.1007/978-3030-44070-1_2 Woodham, R. (1992). Photometric Method for Determining Surface Orientation from Multiple Images. Optical Engineering, 19. https://doi.org/10.1117/12.7972479 Zhou, L., Wu, G., Zuo, Y., Chen, X., & Hu, H. (2024). A Comprehensive Review of Vision-Based 3D Reconstruction Methods. Sensors, 24(7). Moreno-Román, G. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 32 XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos Fuzzy speed estimator for drives using optical encoders Satu´ e, M.G.a,∗ , Esca˜ no J.M.a, Colodro, F.b aDepartamento de Ingenier´ıa de Sistemas y Autom´atica, Universidad de Sevilla, Camino de los Descubrimientos, s/n, 41092, Sevilla, Espa˜na. bDepartamento de Ingenier´ıa Electr´onica, Universidad de Sevilla, Camino de los Descubrimientos, s/n, 41092, Sevilla, Espa˜na. To cite this article: Satu´e, M.G., Esca˜no, J.M., Colodro, F. 2020. Fuzzy Speed Estimator for drives using optical encoders. XIX Simposio CEA de Control Inteligente. 2024. Resumen Despu´ es de a˜ nos de investigaci´ on, el Control Indirecto de Campo Orientado (IFOC) y otras t´ ecnicas relacionadas son una opci´ on disponible comercialmente. Algunos aspectos derivados de la implementaci´ on en Procesadores Digitales de Se˜ nal (DSP) de las estructuras de tipo IFOC han recibido menos atenci´ on en la literatura. En particular, aqu´ ı se considera el proceso de medici´ on de la velocidad mec´ anica usando codificadores ´ opticos. Se presenta un modelo del m´ etodo de medici´ on de la velocidad con sus implicaciones para dise˜ no de controladores. Como resultado del an´ alisis, se presenta un nuevo estimador de la velocidad basado en inferencia borrosa. Los experimentos realizados muestran una mejora en los resultados respecto al modo de proceder com´ un, sin abandonar el m´ etodo de conteo de pulsos com´ unmente utilizado. Palabras clave: Control Borroso, Enc´ oder, Estimaci´ on de velocidad, Variadores de velocidad Fuzzy speed estimator for drives using optical encoders Abstract The Indirect Field Oriented Control (IFOC) and related techniques are now a commercially available option after years of research. Some aspects derived from the Digital Signal Processing (DSP) implementation of IFOC-like structures have received less atteention in the literature. In particular, the mechanical speed sensing process using optical encoders is considered here. A model of the speed measurement method is presented with its implications for control design. As a result of the analysis, a new speed estimator based on fuzzy inference is presented. The experimental results show improved results with respect to the common practice without abandoning the familiar and commonly used pulse counting method. Keywords: Fuzzy Control, Encoder, Speed estimation, Variable speed drives 1. Introduction Electric drives play an important role in modern society and are the mainstay of many industrial application including transportation (Toral et al., 2010). They are systems based on rotary electrical machines controlled by power electronic converters. Their goal is to provide precise transmission between electrical energy and mechanical motion with fast dynamic responses. A review of recent developments in the field can be found in (Berm´ udez et al., 2020). Sensors are required to monitor the operating state of the electric drive and feed it back as input to the controller. Continuous monitoring and observation are essential for high-quality controlled systems, which require reliable sensors. The number and type of mechanical and electrical sensors required are variable in electric drives and depend on multiple characteristics of the system (Arahal et al., 2020). In the case of high-end products, a digital signal processing (DSP) solution is commonly found providing accurate control. This is particularly interesting for multi-level and multi-phase system where intrinsic advantages can be exploited by using advanced control at a higher computational cost (Mart´ ın et al., 2016; Martin et al., 2019). Said DSP-based methods often make use of a model to provide some sort of predictive solution (Rodas et al., 2016). However, the basic setup provided by approaches such as Indirect Field Oriented Control (IFOC) is pre- ∗Autor para correspondencia: [email protected] Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 33 Satu´e, M. G. et al. / XIX Simposio CEA de Control Inteligente. (2024) served in many aspects. This is the case of the mechanical speed of the drive, which is often measured using optical devices such as the incremental encoder. In most cases, a simple scheme is used to estimate the speed as a function of the quotient ∆x/Tω, where ∆xis the number of pulses provided by the encoder and Tωis the time spent gathering said pulses. The estimation might then be subjected to some filtering. This basic scheme has been used without much questioning for the past decades. In many drives applications, speed is the main variable to be controlled (Anuchin et al., 2017; Chen et al., 2019). There are many works concerning speed estimation that need some reviewing. In (Benkhoris and Ait-Ahmed, 1996) sampling frequency is investigated using a Taylor expansion and low order polynomials. The work of (Negrea et al., 2012a) presents a method to change the time base used for the estimation computation. This method is not realizable in some DSP as is reported in (Anuchin et al., 2017). Adjusting the sampling period to make the number of pulses a whole integer is a method proposed in (Negrea et al., 2012b) to reduce ripples in the estimated speed. In (Chen et al., 2019), the quantization noise is considered in the frequency domain. A Notch filter is designed considering the actual speed and the sampling frequency. In (Anuchin et al., 2017) a predictive method with variable-width window is used for the speed estimation. The method is not well suited for low-inertia systems. With the advent of new DSP at cheap prices, the sampling times used in drives have been steadily reduced (Bermudez et al., 2020), especially with the use of fast MPC methods (Arahal et al., 2023). This, among other things, increases the band-width. However, some basic assumptions for drive-modelling no longer holds, as the speed sensing is not ideal. As the control band-width is increased the frequencies at which the measurement take place are getting closer to those of the controller. This is not good as measurement should be very small fraction of the sampling period (Limon et al., 2007). This paper presents a model of the speed measurement method used by many DSP for drives and advances the implications for control design. A new fuzzy-based method for speed estimation is then presented and analyzed. 2. Speed control in variable speed drives Indirect Field Oriented Control (IFOC) is, as of today, a popular method for Induction Motor (IM) speed control which is used not only in academia but also in industrial applications under various denominations such as vector control. The method can be adapted to different applications such as permanent magnet machines (Bucciarelli et al., 2024), generators (Duran et al., 2008), etc. The method typically uses PI controllers for the speed loop and the inner current loops, although the inner one is recently replaced by a predictive method (Kowal G et al., 2019). In this case (Satue et al., 2023), the inner loop is replaced by a predictive scheme where the VSI state is directly computed, providing a fast response at the cost of some harmonic content (Arahal et al., 2016). In addition, the method can accommodate with ease different objectives and consider constraints and nonlinearities (Ramirez et al., 2019). It also allows for modulation methods not supported by basic IFOC structure (Satu´ e et al., 2023). In the indirect field-oriented control scheme, flux and torque are independently regulated. The flux current set point i∗ d is set to magnetize the motor whereas quadrature current i∗ qis used to manipulate the produced torque. The PI in the velocity feedback loop is responsible for generating i∗ qto drive the mechanical speed control error to zero. i∗ q=kp·e+kiZt 0 e(τ)dτ(1) where e=ω∗−ωeis the velocity error or difference between the speed set point (ω∗) and the speed measurement (ωe). Once the set-points in d−qcoordinates are known, they are projected to the α−βspace using the Park transformation, obtaining a reference for stator current in α−βplane as I∗ α−β=Di∗ d,i∗ q⊺, where matrix Dis given by D= cos θasin θa −sin θacos θa!(2) The flux position θais estimated as θa=Rωedt where ωe=ωsl +Pω, being Pthe number of pairs of poles of the IM and ωsl =i∗ q i∗ d 1 ˆτr (3) where ˆτris an estimation of the rotor time constant τr=Lr/Rr, being Lrand Rrthe rotor inductance and resistance, respectively. As a result, the set point for stator current tracking i∗(k) has an amplitude I∗=qi∗2 d+i∗2 q. Finally, the α−βreferences can be expressed as i∗ α(t)=I∗sin ωet,i∗ β(t)=I∗cos ωet, i∗ x(t)=0, i∗ y(t)=0. Regarding PI tuning for IFOC, the influential works of the 1990s such as (De Wit et al., 1996) provide tuning methods where global stability is guaranteed. Later on other methods have appeared, where most of the efforts have concentrated on: sensor-less operation, estimation of the rotor time constant, extension of the PI with operating-point based scheduling and/or adaptivity, fault-tolerant capabilities. simple tuning rules are no longer applicable (D´ ıaz et al., 2021), thus researchers have to resort to extensive simulations. In this context, sensor-less techniques are sometimes used to estimate velocity as in (Chi et al., 2023). However, Quadrature Optical Encoders (QOEs for simplicity), along with microcontroller peripherals, are primarily used for that purpose. Therefore, QOEs can be considered as the basis for position and motion control in electrical systems (Vazquez-Gutierrez et al., 2019). Speed estimation using QOEs is based on the counting of encoder pulses and digital state machines with the ability to detect the direction of rotation. A recent review of these methods can be found in (Anuchin et al., 2019), where it is shown that the algorithms used present precision problems due to their asynchronous operation with the speed controller loop. These problems can be mitigated, but require new dedicated hardware, which increases the cost of speed estimation. For example, the hardware responsible for processing the encoder pulses is expanded in (Anuchin et al., 2019). As a consequence, two capture units of a TMS320F28035 micro-controller are required together with the internal peripheral, the so-called quadrature encoder pulse unit. 34 Satu´e, M. G. et al. /XIX Simposio CEA de Control Inteligente. (2024) 1–6 Speed controller PI PI PWM 3-phase inverter Angle estimation d, q α, β d, q α, β α, β a, b, c +- +- 𝑖𝑑𝑠 ∗ 𝜔𝑚 ∗𝑖𝑞𝑠 ∗𝑣𝑞𝑠 ∗ 𝑣𝑑𝑠 ∗ 𝑖𝑑𝑠 𝑣𝛼𝑠 𝑖𝛽𝑠 𝑖𝑎 𝑖𝑏 𝑖𝑐 𝑣𝛽𝑠 𝑉𝐷𝐶 𝜔𝑚 𝜃𝑎 𝑖𝛼𝑠 𝑖𝑞𝑠 Figura 1: Diagram of IFOC. In (Colodro et al., 2024), a new speed estimation method is proposed and analyzed using mathematics and simulation. The proposed technique is based on the oversampling of the encoder pulses and on the fact, as will be shown later, that the sequence of pulses is a sigma-delta modulated signal if the angle is sampled at a regular rate. Consequently, the proposed method is simple, does not represent a significant computational load, and achieves an acceptable performance. Furthermore, due to regular sampling, the synchronization of the speed estimation and electrical control units are also simplified. 3. Encoder-based speed measurement model Many DSP are fitted with a module for encoder pulse management. In the case of the TMS320F28335 DSP, an Enhanced Quadrature Encoder Pulse (EQEP) module is provided for this purpose. The EQEP captures encoder pulses and can generate counters to determine position and speed (including its direction). The diagram of Figure 2 presents the various elements of the EQEP module. In particular, the PCCU unit provides with counters of the pulses arriving from the encoder. Similarly, the Unit Timer Base includes a 32 bit chronometer to generate interrupts at certain periods, according to the QUPRD register. The mechanical speed is typically measured using the EQEP module interfacing with an incremental encoder. Two different first-order approximations can be applied, where the mechanical speed is estimated by counting the number of pulses in a fixed time (the conventional method in normal speed operation) or counting the time to obtain a fixed number of pulses (the approach that can be considered in very low-speed operation) (Soto-Marchena et al., 2023). Considering the first approach, the estimation of mechanical rotor speed is obtained as ˆω=kω ∆x Tω (4) where kωis a parameter depending on the number of pulses per revolution that the encoder can provide (including quadrature). In the case used for experimentation, a GHM510296R/2500 encoder is used, providing 104pulses per revolution (ppr). This is a high-end product, for many applications the encoders used have a lower ppr. The EQEP peripheral is programmed to schedule a fixed timing interruption event that facilitates the calculation of encoder pulses and the rotor speed between two contiguous events. The time between interrupts corresponds to period Tωin (4). It can be deduced that the quality of the measurement is strongly related to Tω. This statement will be made more precise later in this section. For the time being, it is easy to see that longer interruption periods result in better (higher-precision) speed measurements. However, the measurement takes longer to be ready, thus reducing the band-width of the sensor. Typical EQEP interruption periods range between 0.05 ms (milliseconds) and 10 ms, depending on the application. The estimation provided by (4) has some issues stemming from the quantized nature of the variable ∆x. Indeed, if the true speed ωis not a multiple of kω/Tωthen the value of ∆xwill change for different interruption periods even for the same ω. The common practice is to low-pass filter ˆωwith digital means using the EQEP routines. This takes little computing time and provides a smoother measurement. Please notice that not filtering at all has the effect of letting the oscillations into the electrical part of the control systems, as the measured speed is used for various purposes in the IFOC-like scheme (see Figure 1). This, in turn, produces current and torque ripples that are undesirable in most cases. On the other hand, filtering has the undesirable effect of reducing the phase margin in the direct loop. This makes the speed control either sluggish or overshooting depending on the control tuning. A model for the speed measurement process can be estimated from (4) considering that the arrival times of pulses is linked to the actual speed. In practice the simple model ωe(t)=ω(t−Tω) is found to provide a good match. This model neglects steady state deviations of speed measurements and treats the measurement process as a time delay. 4. Fuzzy speed estimator based on encoder readings Figure 3 presents the speed estimated using (4) with no filtering (ωe) during a step change in speed (ωr). The oscillations in the measurement can be clearly seen. During steady state, the true speed (ωr) is the average of the estimated values (ωe). This prompts for the use of a low-pass filter. However, this introduces a diminution of phase that translates into lower pha35 Satu´e, M. G. et al. / XIX Simposio CEA de Control Inteligente. (2024) Figura 2: Diagram of the EQEP module. se margins, negatively affecting the overall control behavior. A smoothing effect can be also obtained by increasing the Tωperiod. 0.1 0.2 0.3 0.4 0.5 15 20 25 30 35 t (s) ω(rad/s) ωr , ωe Figura 3: Speed estimation with standard method with low Tωand no filtering. Figure 5 presents the speed estimated using (4) with lowpass filtering (ωf) during a step change in speed (ωr). In this case the steady state performance is adequate, with virtually no ripples. The transient behavior is characterized by the time constant of the filter. The proposal uses a fuzzy inference map to determine which situation the speed is in. During steep transients, the inference map indicates the use of the standard method with the lowest possible Tωand no filtering. For medium transients the inference map indicates the use of higher Tωand some filtering. Finally, during steady state (or quasi steady-state) conditions, the inference map indicates the use of a higher Tωand filtering. The inference map uses as independent variables the last two values of the quantity ∆Q(k) provided by (5), where krefers to the EQEP interruption period number that might not be the same as the IFOC sampling number. Two values of ∆Qare considered at each EQEP period: ∆Q1= ∆Q(k) and ∆Q2= ∆Q(k−1). The rationale is that, large values of ∆Q cannot be obtained from steady state operation since the oscillations in the pulses are constrained. Also, in a state of speed change during a transient, the changes in Qare not confined to a single EQEP period. ∆Q(k)= ∆x(k)−∆x(k−1) (5) 5 10 15 20 25 30 5 10 15 20 ∆Q1 ∆Q2 Figura 4: Contour map of the fuzzy inference map. 36 Satu´e, M. G. et al. / XIX Simposio CEA de Control Inteligente. (2024) The actual values of the inference map are presented in Figure 4. In this map, a high value indicates the presence of steep changes in speed, whereas a low value indicates no speed changes. In this way, the fuzzy inference allows blending the standard method with different values of Tωand filtering according to the situation. The results can be seen in Figure 5 marked as ωp. The fast response to changes is combined with a ripple as small as those found with the standard method. This proves that the proposal retains the positive traits of a large Tωwhile avoiding the slugish response during transients. 0.1 0.2 0.3 0.4 0.5 15 20 25 30 35 t (s) ω(rad/s) ωr , ωf , ωp Figura 5: Speed estimations with proposed method and standard method. 5. Conclusions The proposed method makes use of existing and available routines in EQEP modules of DSP. The results greatly enhance those obtained by the standard method. The increase in computational load is negligible for modern DSP hardware. The fuzzy inference map used in this case is of dimension 2, but it can be extrapolated to higher dimensions. One important aspect is that the DSP setup needed for the proposal is the same as in the commonly found estimation by pulse counting. This makes the proposal easier to deploy replacing the standard scheme. Acknowledgments This research is part of project TED2021-129558BC22 funded by MCIN/AEI/10.13039/501100011033 and by the “European Union NextGenerationEU/PRTR”, is also part of project PID2022-142069OB-I00, funded by MCIN/AEI/10.13039/501100011033/FEDER, UE. Referencias Anuchin, A., Astakhova, V., Shpak, D., Zharkov, A., Briz, F., 2017. Optimized method for speed estimation using incremental encoder. In: 2017 International Symposium on Power Electronics (Ee). pp. 1–5. DOI: 10.1109/PEE.2017.8171692 Anuchin, A., Dianov, A., Briz, F., 2019. Synchronous constant elapsed time speed estimation using incremental encoders. IEEE/ASME Transactions on Mechatronics 24 (4), 1893–1901. Arahal, M. R., Barrero, F., Ortega, M. G., Martin, C., 2016. Harmonic analysis of direct digital control of voltage inverters. Mathematics and Computers in Simulation 130, 155–166. Arahal, M. R., Barrero, F., Satu´ e, M. G., Mart´ ın, C., Berm´ udez, M., 2023. Evolutionary gaps stator current control of multiphase drives balancing harmonic content. IEEE Transactions on Industrial Electronics. Arahal, M. R., Mart´ ın, C., Kowal, A., Castilla, M., Barrero, F., 2020. Cost function optimization for predictive control of a five-phase im drive. Optimal Control Applications and Methods 41 (1), 84–93. Benkhoris, M., Ait-Ahmed, M., 1996. Discrete speed estimation from a position encoder for motor drives. In: 1996 Sixth International Conference on Power Electronics and Variable Speed Drives (Conf. Publ. No. 429). pp. 283–287. DOI: 10.1049/cp:19960928 Bermudez, M., Arahal, M. R., Duran, M. J., Gonzalez-Prieto, I., 2020. Model predictive control of six-phase electric drives including arx disturbance estimator. IEEE Transactions on Industrial Electronics 68 (1), 81–91. Berm´ udez, M., Mart´ ın, C., Gonz´ alez-Prieto, I., Dur´ an, M. J., Arahal, M. R., Barrero, F., 2020. Predictive current control in electrical drives: an illustrated review with case examples using a five-phase induction motor drive with distributed windings. IET Electric Power Applications 14 (8), 1291–1310. Bucciarelli, A., Duarte, J. D., De Angelo, C., Rey, J. M., Quiroga, O., feb. 2024. Reducci´ on de la eficiencia de un pmsm con control seis-pulsos con respecto al vectorial: Estudio te´ orico y validaci´ on experimental. Revista Iberoamericana de Autom´ atica e Inform´ atica industrial. DOI: 10.4995/riai.2024.19851 Chen, Y., Yang, M., Xu, D., Blaabjerg, F., 2019. A novel frequency characteristic model and noise shaping method for encoder-based speed measurement in motor drive. In: 2019 10th International Conference on Power Electronics and ECCE Asia (ICPE 2019 - ECCE Asia). pp. 1–6. DOI: 10.23919/ICPE2019-ECCEAsia42246.2019.8796938 Chi, X., Wang, C., Wu, Q., Yang, J., Lin, W., Zeng, P., Li, H., Shao, M., 2023. A ripple suppression of sensorless foc of pmsm electrical drive system based on mras. Results in Engineering 20, 101427. Colodro, F., Mora, J., Barrero, F., Arahal, M., Martinez-Heredia, J., 2024. Analysis and simulation of a novel speed estimation method based on oversampling and noise shaping techniques. Results in Engineering 21, 101670. De Wit, P. A., Ortega, R., Mareels, I., 1996. Indirect field-oriented control of induction motors is robustly globally stable. Automatica 32 (10), 1393–1402. D´ ıaz, J., Costa-Castell´ o, R., Dormido, S., 2021. An interactive approach to control systems analysis and design by the root locus technique. Revista Iberoamericana de Autom´ atica e Inform´ atica Industrial 18 (2), 172–188. Duran, M., Barrero, F., Toral, S., Ruiz Arahal, M., Gregor, R., Marfil, R., 2008. Multi-phase generators viability for offshore wind farms with hvdc transmission. Renewable Energy & Power Quality Journal, 1 (6), 246-251. Kowal G, A., Arahal, M. R., Martin, C., Barrero, F., 2019. Constraint satisfaction in current control of a five-phase drive with locally tuned predictive controllers. Energies 12 (14), 2715. Limon, D., Alamo, T., Bravo, J., Camacho, E., Ramirez, D., Mu˜ noz de la Pe˜ na, D., Alvarado, I., Arahal, M., 2007. Interval arithmetic in robust nonlinear mpc. Assessment and Future Directions of Nonlinear Model Predictive Control, 317–326. Mart´ ın, C., Arahal, M. R., Barrero, F., Dur´ an, M. J., 2016. Multiphase rotor current observers for current predictive control: A five-phase case study. Control Engineering Practice 49, 101–111. Martin, C., Barrero, F., Arahal, M. R., Duran, M. J., 2019. Model-based predictive current controllers in multiphase drives dealing with natural reduction of harmonic distortion. Energies 12 (9), 1679. Negrea, A. C., Imecs, M., Incze, I. l., Pop, A., Szabo, C., 2012a. Error compensation methods in speed identification using incremental encoder. In: 2012 International Conference and Exposition on Electrical and Power Engineering. pp. 441–445. DOI: 10.1109/ICEPE.2012.6463857 Negrea, C. A., Incze, I. I., Imecs, M., Pop, A. V., Szabo, C., 2012b. An improved speed identification method using incremental encoder in electric drives. In: Proceedings of 2012 IEEE International Conference on Automation , Quality and Testing, Robotics. pp. 536–540. DOI: 10.1109/AQTR.2012.6237769 Ramirez, D. R., Martin, C., Kowal G, A., Arahal, M. R., 2019. Min-max predictive control of a five-phase induction machine. Energies 12 (19), 3713. Rodas, J., Barrero, F., Arahal, M. R., Mart´ ın, C., Gregor, R., 2016. Online estimation of rotor variables in predictive current controllers: A case study using five-phase induction machines. IEEE Transactions on Industrial Electronics 63 (9), 5348–5356. Satue, M. G., Arahal, M. R., Ramirez, D. R., 2023. Estimation of rotor currents in polyphase machines for predictive control. Revista Iberoamericana de Autom´ atica e Inform´ atica industrial 20 (1), 25–31. Satu´ e, M. G., Arahal, M. R., Rodr´ ıguez Ram´ ırez, D., Barrero, F., abr. 2023. 37 Satu´e, M. G. et al. / XIX Simposio CEA de Control Inteligente. (2024) Control predictivo polif´ asico mediante dos constelaciones de vectores virtuales de tensi´ on. Revista Iberoamericana de Autom´ atica e Inform´ atica industrial 20 (4), 347–354. DOI: 10.4995/riai.2023.19205 Soto-Marchena, D., Barrero, F., Colodro, F., Arahal, M. R., Mora, J. L., 2023. On-site calibration of an electric drive: A case study using a multiphase system. Sensors 23 (17), 7317. Toral, S. L., Torres, M. M., Barrero, F., Arahal, M. R., 2010. Current paradigms in intelligent transportation systems. IET Intelligent Transport Systems 4 (3), 201–211. Vazquez-Gutierrez, Y., O’Sullivan, D. L., Kavanagh, R. C., 2019. Evaluation of three optical-encoder-based speed estimation methods for motion control. The Journal of Engineering 2019 (17), 4069–4073. 38 XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos Nuevo algoritmo de entrenamiento h´ ıbrido para modelos neuronales de sistemas din´ amicos Iturbe, Luc´ ıa.a,∗ , Irigoyen, Eloy.a, Larrea, Mikel.a, Sendra, Javier.b, Sanchis, Javier.b aDpo. de Ingenier´ıa de Sistemas y Autom´atica, Universidad de Pa´ıs Vasco /Euskal Herriko Unibertsitatea (UPV/EHU). bDpo. de Ingenier´ıa de Sistemas y Autom´atica, Universitat Polit`ecnica de Val`encia (UPV). To cite this article: Iturbe, Luc´ıa., Irigoyen, Eloy., Larrea, Mikel., Sendra, Javier., Sanchis, Javier. 2024. New hybrid training algorithm for neural network models of dynamic systems. XIX Simposio CEA de Control Inteligente. 2024. Resumen Este trabajo presenta una propuesta de algoritmo de entrenamiento para modelos neuronales recurrentes de sistemas din´ amicos. Se trata de un m´ etodo de entrenamiento orientado a producir modelos neuronales capaces de realizar predicciones de varias muestras a futuro, con el objetivo de posteriormente integrar dichos modelos en estrategias de control inteligente. Concretamente, se han entrenado redes NARX para un modelo din´ amico SISO con la propuesta de entrenamiento h´ ıbrido as´ ı como con el cl´ asico entrenamiento en bucle abierto y una estrategia de entrenamiento que combina la configuraci´ on en bucle abierto y bucle cerrado. Asimismo, se han realizado validaciones de los modelos obtenidos, en predicciones desde 1 muestra hasta 10 muestras. El objetivo es establecer un an´ alisis comparativo entre los m´ etodos de entrenamiento ya existentes en la literatura y la propuesta de entrenamiento h´ ıbrido, la cual lleva a cabo la fase de entrenamiento en una ´ unica etapa. Palabras clave: modelo neuronal, sistemas din´ amicos complejos, entrenamiento h´ ıbrido, enternamiento en bucle cerrado, SISO. New hybrid training algorithm for neural network models of dynamic systems Abstract This work presents a new training algorithm for recurrent neural network models of dynamic systems. The training method is designed to produce neural models capable of making predictions several steps into the future, with the aim of subsequently integrating these models into intelligent control strategies. Specifically, NARX networks have been trained for a SISO dynamic model using the proposed hybrid training method, as well as the classic open-loop training and a training strategy that combines both open-loop and closed-loop configurations. Additionally, the obtained models have been validated for predictions at both 1-step and 10-step horizons. The objective is to conduct a comparative analysis between the existing training methods in the literature and the proposed hybrid training method, which is performed in a unique training stage. Keywords: neural-network model, complex dynamic systems, hybrid training, closed-loop training, SISO. 1. Introducci´ on El modelado de sistemas din´ amicos no-lineales es una tarea compleja. Cada vez es m´ as com´ un el uso de redes neuronales artificiales (RNA) para abordar esta tarea, dado que permiten representar funciones no-lineales complejas. En concreto, en el modelado de sistemas din´ amicos est´ a muy extendido el uso de redes neuronales recurrentes (RNN) ((Kang et al., 2023), (Kumar, 2023), (Zabaljauregi et al., 2023)). A diferencia de las redes neuronales feedforward convencionales, las RNN tienen conexiones retroalimentadas que les permiten mantener y utilizar informaci´ on de estados anteriores en la secuencia, lo que las hace ideales para modelar sistemas din´ amicos no-lineales. No obstante, son precisamente esas realimentaciones de los estados las que dificultan el entrenamiento de estos modelos neuronales, generando problemas de convergencia y estabilidad. Asimismo, un aspecto importante a considerar es el uso que se le va a dar al modelo neuronal recurrente. Si el objetivo es in- ∗[email protected] Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 39 Iturbe, L. et al. / XIX Simposio CEA de Control Inteligente. (2024) tegrar el modelo en una estrategia de control como la del control predictivo basado en modelo (Model Predictive Control, MPC) es esencial que dicho modelo sea capaz de realizar predicciones de varias muestras a futuro sin inestabilizarse o divergir significativamente. Esta capacidad para realizar predicciones de manera adecuada es un aspecto importante a tener en cuenta tanto en el entrenamiento del modelo neuronal como en su posterior validaci´ on. Concretamente, este trabajo tiene como objetivo obtener modelos neuronales para integrarlos en la estrategia de control iMO-NMPC (Larrea et al., 2023). Esta estrategia de control a´ una t´ ecnicas inteligentes como redes neuronales, algoritmos gen´ eticos y l´ ogica difusa, y constituye una l´ ınea de trabajo dentro del grupo de investigaci´ on de control inteligente (GICI) de la UPV/EHU. La principal tendencia a la hora de entrenar modelos neuronales recurrentes es la del m´ etodo en bucle abierto (open-loop training) o m´ etodo serie-paralelo. Consiste en entrenar la red utilizando los datos reales medidos de las salidas/estados de la red sin retroalimentar la predicciones de la propia red. Asimismo, existe tambi´ en el entrenamiento en bucle cerrado (closedloop training) o entrenamiento paralelo. En el entrenamiento en bucle cerrado, el modelo recibe retroalimentaci´ on de sus predicciones anteriores como entrada adicional durante la fase de entrenamiento. Los diagramas de la configuraci´ on en bucle abierto y bucle cerrado para una red de tipo NARX pueden apreciarse en las Figuras 1 y 2, donde wson los pesos, blos bias y Rlos regresores. Figura 1: NARX bucle abierto. Figura 2: NARX bucle cerrado. Existe una serie de aspectos a considerar a la hora de elegir el m´ etodo de entrenamiento como bien se expone en (Ribeiro and Aguirre, 2018). Por una parte, el m´ etodo en bucle cerrado precisa de una versi´ on modificada del algoritmo del gradiente descendente, lo que aumenta el coste computacional del entrenamiento, mientras que el m´ etodo en bucle abierto s´ ı admite el algoritmo cl´ asico del gradiente descendente ((Saggar et al., 2007), (Kelley and Hagan, 2024)). Adem´ as, como se menciona en (Tijani et al., 2014), las entradas que se le proporcionan a la red en el entrenamiento en bucle abierto, al ser datos medidos, son m´ as precisas que las predicciones que se proporcionan en bucle cerrado. Sin embargo, hay quien argumenta que el entrenamiento en bucle cerrado genera modelos neuronales con una mejor capacidad de realizar predicciones ((Su et al., 1992)). En el contexto del entrenamiento de modelos neuronales NARX (Nonlinear AutoRegressive with eXternal input), una gran parte de los trabajos se limitan al entrenamiento en bucle abierto ((Du et al., 2020), (Rong et al., 2023), (Habibi et al., 2021), (Tijani et al., 2014)), ya que generalmente es m´ as complicado obtener resultados satisfactorios con el entrenamiento en bucle cerrado (Ghiormez et al., 2017). Asimismo, hay quienes proponen combinar una fase inicial de entrenamiento en bucle abierto con una segunda fase en bucle cerrado ((Phan et al., 2013), (Zhang et al., 2023)). En este trabajo se hace una propuesta de algoritmo de entrenamiento h´ ıbrido para modelos neuronales NARX, ha desarrollar en una ´ unica fase de entrenamiento, lo que ser´ ıa una ventaja computacional y organizativa con respecto a los entrenamientos realizados en dos fases consecutivas. Se trata de un algoritmo orientado a producir modelos que realicen predicciones a futuro, y al igual que el m´ etodo en bucle abierto, el algoritmo h´ ıbrido puede ser implementado con el gradiente descendente. 2. Algoritmo de entrenamiento h´ ıbrido El algoritmo de entrenamiento h´ ıbrido consiste en una fase inicial de entrenamiento en bucle abierto (entrenamiento a una muestra, h=1). Despu´ es, se reordenan los datos de entrenamiento con las predicciones a 1 muestra de la propia red como se ilustra en la Figura 3. As´ ı, se prosigue con una segunda fase de entrenamiento a h=2. Una vez terminada esta fase, se volver´ ıan a reordenar los datos de entrenamiento con las predicciones de la red para comenzar con la fase de entrenamiento de h=3, y as´ ı sucesivamente. Se continuar´ a hasta alcanzar el n´ umero de muestras deseado. De modo que si deseamos que nuestro modelo neuronal sea capaz de realizar predicciones a 10 muestras, un criterio orientativo ser´ ıa que el algoritmo contara con 10 fases de entrenamiento. Figura 3: Reordenamiento de los vectores de los datos de entrenamiento para 4 fases de entrenamiento. 40 Iturbe, L. et al. / XIX Simposio CEA de Control Inteligente. (2024) Como se puede apreciar en la Figura 3, las predicciones que realice la red al acabar una fase de entrenamiento, se insertar´ an en los propios datos de entrenamiento para comenzar con la siguiente fase, desplazando a las predicciones ya existentes. Asimismo, como indican las cruces rojas, con cada fase de entrenamiento se descartar´ a el primer vector de datos. Cabe mencionar que mientras se est´ e entrenando la red, la configuraci´ on de la misma ser´ a en bucle abierto (ver Figura 1). 3. Dise˜ no de los experimentos Con motivo de comprobar la eficacia del algoritmo h´ ıbrido, se ha llevado a cabo una serie de entrenamientos de modelos neuronales. Para este caso particular, se ha optado por modelar una variante del sistema no lineal sint´ etico SISO (Single Input Single Output) propuesto en (Narendra and Parthasarathy, 1990). Se trata de un sistema expresamente dise˜ nado para comprobar la capacidad del modelo neuronal de captar nolinealidades, siendo la ecuaci´ on matem´ atica que lo describe es la siguiente, donde K1=0,3, K2=2,4, K3=1,1 y K4=0,8. y(k+1) =K1u3(k)+K2y(k)−K3y(k−1) 1+K4y2(k)(1) Con motivo de visualizar las no linealidades del mencionado sistema (ecuaci´ on 1), en la Figura 4 se ha representado gr´ aficamente la relaci´ on entrada-salida del sistema en r´ egimen estacionario, eligiendo el rango con las din´ amicas no lineales m´ as significativas. -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 y -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 u Figura 4: Relaci´ on entrada-salida del sistema 1 en r´ egimen estacionario. En cuanto al entrenamiento de las redes NARX, se han seguido las mismas pautas que en el trabajo (Zabaljauregi et al., 2023). En concreto, se han entrenado redes de una ´ unica capa oculta con neuronas de un rango de 4 a 20, retardos de la entrada externa de 1 a 4 y retardos de salida real de 1 a 4. Adem´ as, para cada una de estas configuraciones se han realizado 10 repeticiones. Primero, se han realizado los entrenamientos en bucle abierto y despu´ es han sido repetidos con el entrenamiento h´ ıbrido, todo ello usando la librer´ ıa de Keras1que ofrece Python2. Asimismo, se han realizado entrenamientos en bucle abierto y luego en bucle cerrado usando Matlab3. Cabe mencionar que para el caso concreto del sistema de la ecuaci´ on 1, no ha sido posible alcanzar entrenamientos satisfactorios directamente en bucle cerrado, dado que el algoritmo de entrenamiento en bucle cerrado que ofrece Matlab no ha sido capaz de converger sin una fase previa de entrenamiento en bucle abierto. Es importante se˜ nalar que el entrenamiento en bucle abierto y el entrenamiento h´ ıbrido han sido programados en Python con el algoritmo de optimizaci´ on de Adam (Adaptive Moment Estimation), mientras que el entrenamiento de bucle abierto + bucle cerrado ha sido programado en Matlab con el algoritmo de optimizaci´ on de Levenberg-Marquardt. Asimismo, seg´ un el an´ alisis realizado por los autores, el algoritmo Adam no est´ a disponible en Matlab y el algoritmo Levenberg-Marquardt no est´ a disponible en Python. Ninguno de los algoritmos que tienen en com´ un Matlab y Python, como el del Gradiente Descendente, han sido capaces de converger en Matlab, de modo que, hasta el momento, no ha sido posible emplear el mismo algoritmo en ambas plataformas. 4. Resultados Una vez finalizada la fase de entrenamiento, se ha realizado la validaci´ on de todos los modelos neuronales obtenidos. Para ello, se ha empleado el error cuadr´ atico medio (MSE), donde Nes el n´ umero de muestras de los datos de validaci´ on, yies la salida real y ˆyies la salida predicha: MS E =1 N N X i=1 (yi−ˆyi)2(2) Figura 5: MSE de configuraciones para el entrenamiento h´ ıbrido, para diferente cantidad de neuronas y diferente cantidad de retardos expresado como (retardos entrada, retardos salida). 1Versi´ on 2.10.0 de la librer´ ıa Keras 2Versi´ on 3.10.13 de Python 3versi´ on 2023b de Matlab 41 Gonz´alez-Mateos, G. et al. / XIX Simposio CEA de Control Inteligente. (2024) otro evento para devolverlos a la capa 2, donde se actualiza la parametrizaci´ on del PID a ejecutar. 3. Aplicaci´ on 3.1. Sistema f´ısico El sistema propuesto para los experimentos es una planta piloto equipada con instrumentaci´ on industrial cuya configuraci´ on se basa en el proceso de cuatro tanques de Karl Henrik Johansson (Johansson, 2000). La planta industrial, como se muestra en la Figura 3, fue desarrollada en el Laboratorio Remoto de Control Autom´ atico de la Universidad de Le´ on (Fuertes et al., 2008). La configuraci´ on de este sistema involucra cuatro tanques de agua organizados en pares, alineados verticalmente para que los tanques superiores alimenten directamente a los inferiores. Para regular el caudal de agua, dos bombas sim´ etricas suministran el caudal requerido desde un tanque de agua inferior, que se distribuye entre los tanques usando dos v´ alvulas de tres v´ ıas, de forma cruzada. Es decir, la combinaci´ on de bomba y v´ alvula izquierdas controla los tanques inferior izquierdo y superior derecho, mientras que la combinaci´ on del lado derecho gestiona los tanques inferior derecho y superior izquierdo. Cada tanque est´ a equipado con un sensor que permite la medici´ on del nivel de l´ ıquido. Adem´ as, una v´ alvula situada en la base de cada tanque permite la modificaci´ on individual del caudal desaguable para introducir intencionalmente perturbaciones que afecten el control del nivel del tanque correspondiente. Tabla 1: Variables y constantes del proceso de cuatro tanques Variable Unidades Descripci´ on hicm nivel tanque i h0 icm estado estacionario tanque i xicm desviaci´ on del nivel xi=hi-h0 i qicm3/scaudal impulsado υj0-100 velocidad bombas υ0 j0-100 estado estacionario bombas uj0-100 desviaci´ on bombas ui=υj-υ0 j qpump,jcm3/scaudal total de las bombas γj0-1 ratio de las v´ alvulas Constante Unidades Descripci´ on Aicm2secci´ on tanques aicm2secci´ on orificio g cm2/sgravedad kjcm3/sconstante bombas kccm constante sensor nivel Para mayor claridad, la Figura 4 ofrece una representaci´ on esquem´ atica del modelo de Johansson, mientras que la Tabla 1 describe sus principales variables y constantes. La representaci´ on matem´ atica del sistema se puede formular combinando las ecuaciones correspondientes aplicadas a los tanques y bombas: la ley de Bernoulli, qout =aip2ghi, y los balances de masa, A˙ h=qin −qout. En este documento, dado que el prop´ osito es probar la arquitectura propuesta, se considera s´ olo un sistema SISO, creando un lazo de control con la bomba 1 y el nivel del tanque 1. Para este escenario, la V´ alvula 1 y la V´ alvula 2 siempre est´ an configuradas en 0 y la bomba 2 est´ a apagada. La Figura 4 muestra este lazo de control. Teniendo esto en cuenta, el modelo del sistema SISO del tanque 1 se puede describir mediante la siguiente ecuaci´ on diferencial: dh1 dt =−a1 A1p2gh1+k1 A1υ1(1) Si esta ecuaci´ on diferencial se linealiza alrededor de un punto de operaci´ on, se puede obtener una ecuaci´ on de transferencia del lazo de control para el tanque 1: G(s)=(1 −γ1)c1 1+sT1(2) donde T1=A1 a1s2h0 1 gc1=T1k1kc A1(3) Como se puede observar, el sistema es de primer orden y su ganancia y constante de tiempo dependen del nivel inicial del tanque. Por tanto, dependiendo del punto de operaci´ on, la din´ amica del sistema cambia. Adem´ as, el sistema presenta un retardo en la respuesta debido al tiempo de respuesta de la bomba y la longitud del tubo, resultando en un modelo de primer orden con tiempo muerto (FOPDT): Figura 4: Esquema del proceso de cuatro tanques. 3.2. Implementaci´on de la arquitectura de control Como resultado de su inter´ es en la educaci´ on e investigaci´ on sobre Industria 4.0 (Fuertes et al., 2021), el grupo SUPPRESS en la Universidad de Le´ on cuenta con dispositivos industriales basados en el est´ andar IEC 61499. Estos dispositivos, pertenecientes a la gama dPAC de Schneider Electric, son unos de los primeros PLCs comercialmente disponibles que siguen dicho est´ andar. Para la implementaci´ on de la arquitectura propuesta, se han instalado estos dispositivos en uno de los armarios de control disponibles en el Aula IoT ULE-Schneider Electric (Dom´ ınguez et al., 2022). G(s)=e−θs(1 −γ1)c1 1+sT1(4) 34 12 h2 h1 υ1υ2 γ1γ2 qP1 qP2 (1 – γ1)· qP1 γ1 · qP1 γ2 · qP2 (1 – γ2)· qP2 h3h4 P2 P1 V1 V2 Control Loop 48 Gonz´alez-Mateos, G. et al. / XIX Simposio CEA de Control Inteligente. (2024) La capa de adquisici´ on de datos en la arquitectura de control propuesta se implementa con un controlador l´ ogico programable de gama baja, el Schneider Electric dPAC TM251. Para llevar a cabo la comunicaci´ on, las variables se leen a trav´ es de solicitudes Modbus TCP c´ ıclicamente a intervalos de 100 ms, y se env´ ıan a la capa de control solo cuando se desencadena el evento correspondiente. La capa de control, por otro lado, se implementa en un PLC Schneider Electric dPAC M580, que tiene suficiente potencia de procesamiento para ejecutar todas las rutinas de monitorizaci´ on y control, incluida la ejecuci´ on del PID. Para lograr un comportamiento basado en eventos en el controlador PID, no se puede utilizar la implementaci´ on predeterminada del bloque de funci´ on PID del M580, que implementa un PID cl´ asico orientado a ejecutarse en una tarea c´ ıclica. Por esta raz´ on, se ha programado un nuevo bloque de funci´ on en Texto Estructurado para implementar el algoritmo del controlador PID basado en eventos que se discuti´ o en la secci´ on 2. 1 6 7 Hilo específico TASK_TYPE Hilo Hilo Hilo ServidorTCP(ADDR:PORT) {‘TASK_TYPE’, ’KWARGS’} 3 4 {‘KWARGS’} 5 {‘RESULT’} 2 Figura 5: Integraci´ on de Bloque Funci´ on con los algoritmos programados utilizando el lenguaje Python La capa de gesti´ on del PID se ejecuta en un PC Industrial (Magelis IoT Box) con sistema operativo Linux. En este sistema se ejecuta un entorno virtualizado conocido como Soft dPAC, para agregar funcionalidad IEC 61499 a un computador tradicional. Esta tecnolog´ ıa hace posible que cualquier tipo de dispositivo se convierta en otro elemento de control dentro de la arquitectura distribuida. Los algoritmos de optimizaci´ on se implementan utilizando el lenguaje de programaci´ on Python y se encapsulan en un Bloque de Funci´ on para su integraci´ on con el resto del programa, produci´ endose una comunicaci´ on TCP tradicional entre el Bloque de Funci´ on y el programa Python, como se muestra en la Figura 5. Los dispositivos utilizados est´ an sincronizados mediante NTP, centr´ andose los experimentos realizados en analizar la influencia en el lazo de control de los eventos generados de forma no determinista. Cabe destacar que no se han realizado modelizaciones de retardos de red, dado que todos los equipos involucrados se comunican a trav´ es de una red local, resultado despreciables los retardos producidos por la comunicaci´ on de paquetes de red. Otra ventaja de usar IEC 61499 para el control distribuido es que toda la arquitectura est´ a programada en el mismo entorno, pero luego cada bloque de programa se asigna a su dispositivo correspondiente. 4. Resultados experimentales Para evaluar el efecto del comportamiento no determinista de los eventos en la arquitectura propuesta, se han llevado a cabo una serie de experimentos en el sistema descrito en la secci´ on anterior. El control del nivel del tanque se realiza con peque˜ nos cambios en el punto de consigna para trabajar con modelos linealizados en diferentes puntos de operaci´ on. Se han probado diversos escenarios de ejecuci´ on del sistema de control: Un PID activado por eventos con una banda muerta de 0.2 unidades, ajustando los par´ ametros despu´ es de cada cambio de punto de consigna. Si el valor controlado no cambia m´ as de 0,2 con respecto al ´ ultimo valor enviado, no se enviar´ a un nuevo evento a la capa de control. Sin embargo, si esta situaci´ on se extiende durante m´ as de 200 ms, se realizar´ a una nueva ejecuci´ on del PID utilizando el ´ ultimo valor enviado. (PID 0,2 200). Mismo PID, pero elevando la banda muerta hasta 1. (PID 1 200). Mismo PID con una banda muerta de 1, pero elevando el tiempo m´ aximo de ejecuci´ on a 500ms (PID 1 500). Un PID activado por eventos con una banda muerta de 0,2 unidades, un tiempo m´ aximo entre ejecuciones de 200ms y un retardo en la tarea de optimizaci´ on del controlador de 500ms (Retardo en optimizaci´ on). El experimento realiza cinco peque˜ nos cambios escalonados en el punto de consigna, comenzando desde un punto de operaci´ on inicial (60%). Para comparar las respuestas resultantes del sistema, se calculan los valores de diferentes ´ ındices de rendimiento (Mousakazemi, 2021) para cada configuraci´ on del lazo de control, que se muestran en la Tabla 2. Tabla 2: Comparaci´ on entre los ´ ındices de desempe˜ no obtenidos Experimento IAE ITAE IAVU PID 0,2 200 9,92 3316,91 818,19 PID 1 200 14,2 6000,66 1097,0 PID 1 500 12,81 5342,67 933,88 Retardo en optimizaci´ on 10,88 3902,66 952,75 Los ´ ındices seleccionados son la integral del error absoluto (IAE), la integral del criterio de error absoluto multiplicado por el tiempo (ITAE) y la variaci´ on absoluta integral de la se˜ nal de control (IAVU). Se puede observar que la arquitectura de control se ve muy condicionada por una selecci´ on adecuada de la banda muerta, causando valores elevados de la misma un incremento tanto del error como del esfuerzo de control. No obstante, este efecto negativo en los ´ ındices de desempe˜ no se ve atenuado si adem´ as de una banda muerta elevada se selecciona un intervalo mayor 49 Gonz´alez-Mateos, G. et al. / XIX Simposio CEA de Control Inteligente. (2024) para la ejecuci´ on c´ ıclica del PID. Por ´ ultimo, es importante destacar que un retardo en la tarea de optimizaci´ on del controlador (motivado, por ejemplo, por la sustituci´ on de una t´ ecnica de optimizaci´ on sencilla por otra computacionalmente m´ as costosa), no tiene un efecto significativo en cuanto al error del lazo de control se refiere. En la Figura 6 se muestra el detalle de un fragmento del experimento, de modo que el rendimiento de los controladores tambi´ en pueda ser comparado visualmente. 55 60 65 70 75 80 Nivel…(%) Consigna PID…0.2…200ms PID…1…200ms PID…1…500ms Retardo…en…optimización 2500 3000 3500 4000 4500 5000 Muestras 0 20 40 60 80 Acción…de…control…(%) PID…0.2…200ms PID…1…200ms PID…1…500ms Retardo…en…optimización Figura 6: Nivel del tanque y acci´ on de control para los diferentes escenarios 5. Conclusiones Este trabajo presenta una arquitectura para el control PID en un sistema distribuido y su optimizaci´ on, basada en el reciente est´ andar de control IEC 61499. La viabilidad de la arquitectura propuesta ha sido evaluada con ´ exito a trav´ es de su implementaci´ on en dispositivos industriales disponibles comercialmente y su aplicaci´ on al control SISO de un lazo de nivel de un tanque en una planta piloto. Se ha comprobado el efecto que ocasiona la falta de determinismo en la generaci´ on de los eventos en el lazo de control, y la influencia de los posibles retardos en la capa de optimizaci´ on sobre el desempe˜ no del regulador PID en el PLC de control. Los resultados muestran que la implementaci´ on de optimizaciones computacionalmente m´ as costosas no implica un impacto significativo en el rendimiento del controlador. Como l´ ınea futura de este trabajo se plantea la implementaci´ on de t´ ecnicas heur´ ısticas en la capa de optimizaci´ on, con el fin de mejorar la regulaci´ on del sistema, as´ ı como el uso de algoritmos de control m´ as avanzados. Por ello, se deber´ a analizar tambi´ en la implementaci´ on de m´ etodos como el control predictivo basado en modelo. Otra l´ ınea futura interesante es la implementaci´ on de ideas propias de la teor´ ıa de control en red, que podr´ ıan ser necesarias para mejorar la respuesta ante potenciales grandes retardos en la transmisi´ on de datos. En este trabajo, dado que todos los dispositivos involucrados se encuentran dentro de una misma red local y los retardos de red resultan despreciables, no se han tenido en cuenta estas consideraciones. Referencias Dom´ ınguez, M., P´ erez, D., Mor´ an, A., Alonso, S., Prada, M. A., Fuertes, J. J., 2022. Remote training in cybersecurity for industrial control systems. In: IFAC-PapersOnLine. No. 17. Elsevier B.V., pp. 320–325. DOI: 10.1016/J.IFACOL.2022.09.299 Dormido, S., S´ anchez, J., Kofman, E., ene. 2008. Muestreo, control y comunicaci´ on basados en eventos. Revista Iberoamericana de Autom´ atica e Inform´ atica industrial 5 (1), 5–26. DOI: 10.1016/S1697-7912(08)70120-1 Durand, S., Marchand, N., 2009. Further results on event-based PID controller. In: 2009 European control conference (ECC). IEEE, pp. 1979–1984. Fuertes, J., Prada, M. A., Dom´ ınguez, M., Reguera, P., D´ ıaz, I., D´ ıez, A., 2008. Visualization of dynamic parameters of a multivariable system using selforganizing maps. IFAC Proceedings Volumes 41 (2), 11001–11006. Fuertes, J. J., Prada, M. A., Rodr´ ıguez-Ossorio, J. R., Gonz´ alez-Herb´ on, R., P´ erez, D., Dom´ ınguez, M., 2021. Environment for education on industry 4.0. IEEE Access, 144395–144405. DOI: 10.1109/ACCESS.2021.3120517 Garcia, C. A., Castellanos, E. X., Buele, J., Espinoza, J., Lanas, D., Beltran, C., Garcia, M. V., 2018. MPC under IEC-61499 using low-cost devices for oil pipeline system. In: 2018 IEEE 16th International Conference on Industrial Informatics (INDIN). IEEE, pp. 659–664. Halim, A. H., Ismail, I., 2016. Online pid controller tuning using tree physiology optimization. In: 2016 6th International Conference on Intelligent and Advanced Systems (ICIAS). pp. 1–5. DOI: 10.1109/ICIAS.2016.7824036 Johansson, K. H., 2000. The Quadruple–Tank Process: A Multivariable Laboratory Process with an Adjustable Zero. IEEE Transaction on Control Systems Technology 8 (3), 456–465. Liu, T., Wang, Q.-G., Huang, H.-P., 2013. A tutorial review on process identification from step or relay feedback test. Journal of Process Control 23 (10), 1597–1623. DOI: 10.1016/j.jprocont.2013.08.003 Lu, Y., 2017. Industry 4.0: A survey on technologies, applications and open research issues. Journal of Industrial Information Integration 6, 1–10. DOI: https://doi.org/10.1016/j.jii.2017.04.005 Lyu, G., Brennan, R. W., 2021. Towards IEC 61499-based distributed intelligent automation: A literature review. IEEE Transactions on Industrial Informatics 17 (4), 2295–2306. DOI: 10.1109/TII.2020.3016990 Miguel-Escrig, O., Romero-P´ erez, J.-A., 2018. Implementation and evaluation of event-based PID in the IEC-61499 standard. In: 2018 IEEE 23rd International Conference on Emerging Technologies and Factory Automation (ETFA). Vol. 1. pp. 574–580. DOI: 10.1109/ETFA.2018.8502574 Mousakazemi, S. M. H., 2021. Comparison of the error-integral performance indexes in a GA-tuned PID controlling system of a PWR-type nuclear reactor point-kinetics model. Progress in Nuclear Energy 132, 103604. Mu˜ noz de la Pe˜ na, D., Dom´ ınguez, M., Gomez-Estern, F., Reinoso, O., Torres, F., Dormido, S., 2022. State of the art of control education. Revista Iberoamericana de Autom´ atica e Inform´ atica industrial, 117–131. DOI: 10.4995/riai.2022.16989 Vincent, A. K., Nersisson, R., Nov. 2017. Particle swarm optimization based pid controller tuning for level control of two tank system. IOP Conference Series: Materials Science and Engineering 263, 052001. URL: http://dx.doi.org/10.1088/1757-899x/263/5/052001 DOI: 10.1088/1757-899x/263/5/052001 Vyatkin, V., 2011. IEC 61499 as enabler of distributed and intelligent automation: State-of-the-art review. IEEE Transactions on Industrial Informatics 7 (4), 768–781. DOI: 10.1109/TII.2011.2166785 Zhang, X.-M., Han, Q.-L., Ge, X., Ding, D., Ding, L., Yue, D., Peng, C., 2020. Networked control systems: a survey of trends and techniques. IEEE/CAA Journal of Automatica Sinica 7 (1), 1–17. DOI: 10.1109/JAS.2019.1911651 Ziegler, B. J. G., Nichols, N. B., 1942. Optimum settings for automatic controllers. Journal of Fluids Engineering. DOI: 10.1115/1.2899060 Årz´ en, K.-E., 1999. A simple event-based PID controller. IFAC Proceedings Volumes 32 (2), 8687–8692, 14th IFAC World Congress 1999, Beijing. DOI: 10.1016/S1474-6670(17)57482-0 50 XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos Enfoque Centrado en el Humano para el Gemelo Digital de la Colaboraci´on Humano-M´aquina/Robot en una L´ınea Piloto de Industria 5.0 Alfaro, Diego.a,b,∗ , Casta˜no, Fernando.a, Cruz, Yarens J.a, Villalonga, Alberto.a,b, Haber, Rodolfo E.a aCentro de Autom´atica y Rob´otica, CSIC, Ctra. Campo Real Km. 0,200, 28500, Arganda del Rey, Espa˜na. bCentro de Autom´atica y Rob´otica, Universidad Polit´ecnica de Madrid (UPM), C/ Jos´e Guti´errez Abascal, nº2, 28006, Madrid, Espa˜na. To cite this article: Alfaro, D., Casta˜no, F., Cruz, Y. J., Villalonga, A., Haber, R. E. 2024. Human-Centric Approach for the Digital Twin of Human-Machine/Robot Collaboration in an Industry 5.0 Pilot Line. XIX Simposio CEA de Control Inteligente. 2024. Resumen Dada la creciente digitalizaci´ on y automatizaci´ on en los procesos de fabricaci´ on, uno de los mayores retos a los que se enfrenta el sector industrial es el de establecer relaciones seguras y eficientes en la interacci´ on entre humanos y robots. Entre las herramientas de modelado utilizadas, actualmente, encontramos a los gemelos digitales que resultan fundamentales para la optimizaci´ on y predicci´ on de resultados. Proyectos como Fortis, contextualizados en los conceptos de Industria 5.0, proponen la implementaci´ on de l´ ıneas de producci´ on colaborativas donde se garantice una interacci´ on segura entre humanos y robots, utilizando modelos y simulaciones de estas interacciones. Para lograr un ´ optimo rendimiento en una l´ ınea de producci´ on, se requiere monitorizar a cada uno de los elementos que la componen, incluyendo a los operadores humanos. En este aspecto, se requiere del reconocimiento y evaluaci´ on de par´ ametros para la generaci´ on de modelos de optimizaci´ on, que permitan predecir el comportamiento de la l´ ınea y ayudar en la toma de decisiones. En este trabajo se analiza un caso de estudio en una l´ ınea piloto experimental. Con esto se pretende dise˜ nar, desarrollar y evaluar gemelos digitales que permitan modelar el comportamiento de operarios, robots y las interacciones entre estos. Por ´ ultimo, se enunciar´ an los trabajos futuros y proyecciones correspondientes a este proyecto. Palabras clave: Interacci´ on humano-robot, Gemelo Digital, Centrado en el Ser humano, Inteligencia Artificial. Human-Centric Approach for the Digital Twin of Human-Machine/Robot Collaboration in an Industry 5.0 Pilot Line Abstract The industrial sector faces a major challenge in establishing safe and efficient human-robot interactions due to the growing digitalization and automation in manufacturing processes. Digital twins, among the modeling tools currently used, play a fundamental role in optimizing and predicting results. Projects such as Fortis, framed within the concepts of Industry 5.0, propose the implementation of collaborative production lines where a safe interaction between humans and robots is guaranteed. This is achieved through the use of models and simulations of these interactions. In order to achieve the best performance in a production line, it is necessary to monitor all the components, including human operators. This involves recognizing and assessing parameters to create optimization models. These models can predict the line’s behavior and assist in decision-making.In this project, we analyze a case study of an experimental pilot line. The main objective is to design, develop, and evaluate digital twins that can model the behavior of operators, robots, and their interactions. Lastly, we will present future work and projections corresponding to this project.. Keywords: Human-Robot Interaction, Digital Twin, Human-centric, Artificial Intelligence. ∗Autor para correspondencia: [email protected] Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 51 Alfaro, D. et al. / XVIII Simposio CEA de Control Inteligente. (2024) 1. Introduction Industry 5.0 signifies the advancement of industrial manufacturing by advocating for a human-centric approach. The solutions developed for this industry aim to integrate human intelligence and skills with advanced technologies such as artificial intelligence, robots, and automated processes. With an emphasis on ethical and sustainable practices, Industry 5.0 strives to establish more flexible, responsive, and socially responsible manufacturing systems that benefit both businesses and society (Nahavandi, 2019). The concept of a collaborative industry, rather than replacing workers with fully automated processes as in Industry 4.0, aims to enhance people’s perception of the rapid technological evolution. Understanding human behavior in industrial settings is crucial for human-centric automation and collaborative environments. Human-Robot Interaction (HRI) involves designing and analyzing interactions between humans and robots to create safe, efficient, and intuitive collaborations. This multidisciplinary field focuses on integrating robots into human environments by leveraging human cognitive abilities and robotic precision and endurance. Ensuring a synergistic combination of humans and machines supports individual needs and factory requirements (Wang et al., 2024). In robotics literature, concepts such as human-robot interaction, cooperation, collaboration, and coexistence, as well as context-awareness, are explored, contributing to the establishment of guidelines for a collaborative industry (Jahanmahin et al., 2022). When implementing an automated process involving human interaction with various technologies, there is a risk of inefficient resource allocation. In this context, the digital twin (DT) emerges as a highly effective tool for decision-making and visualization in ongoing research projects (Villalonga et al., 2021). A DT is defined as a virtual model that accurately reflects a physical object, system, or process throughout its entire lifespan. By utilizing real-time data and advanced analytics, it creates a digital counterpart that replicates the current state, behavior, interactions, and environment of its real-world counterpart (Guerra et al., 2019). The physical component provides information to the digital representation for processing, and the digital component responds with data that can modify the behavior of the physical counterpart. This communication enables analysis, monitoring, and optimization, facilitating the prediction of outcomes, enhancement of decision-making, and organization of maintenance processes. This paper proposes the design and development of a digital twin with a human-centered approach. The goal is to evaluate holistic multi-modal and multi-aspect solutions for humanmachine/robot interactions, in order to optimize a manufacturing pilot line within the context of Industry 5.0. In addition, the document provides a review of the current state of HumanRobot Interaction, Digital Twins, optimal resource allocation, and related concepts. It also describes the design of a proposal for a communication protocol and simulation environment. This document is divided into six sections. Following this introduction, the second section will provide a review of the work related to HRI-DT. Next, the text will explain the communication protocols, simulation environment, and digital tools to be used in the research. Additionally, a case study will be presented, showcasing the implementation of HRI-DT. Section five will propose the main future applications of this DT. Finally, the conclusion will discuss some of the results from the ongoing implementation and outline the potential directions for HRI-DTs in our research. Tabla 1: Insights for Digital Twins Reference Relevance Safavi et al. (2024) Learning Methods Brain computer interfaces Emotional Perception Metrics Tao et al. (2019) Design and planning considerations Li et al. (2021) Implementation of a multisource model-driven digital twin system Interaction (contact) models for robots and manipulated objects Geometric 3D space with physics and workflow rules Object reconstruction using OpenGL Use of UR5 robot, grippers and cameras Su et al. (2023) Modalities in HRI Potential Techniques for interaction and data processing Possible input data DamjanovicBehrendt and Behrendt (2019) Open source technologies and tools Architecture considerations Data acquisition and managing considerations 2. Related Work: Human-Robot Interaction Digital Twin The integration of human-robot interaction with digital twin technologies has become a promising way to improve the efficiency and effectiveness of collaborative environments. This combination takes advantage of digital twins’ ability to simula52 Alfaro, D. et al. / XVIII Simposio CEA de Control Inteligente. (2024) te and replicate physical systems in real time, providing a virtual space for testing and optimizing human-robot interactions. By using this synergy, researchers and practitioners aim to create user-friendly interfaces, improve task allocation strategies, and enhance overall system performance. Different approaches and techniques regarding digital twins, human-robot interaction, and optimal resource allocation have been discussed in the literature. Tables 1 and 2 illustrate several studies that will establish guidelines for the project. In order to implement digital twins for a pilot line where humans collaborate with robots, we have gathered insights regarding Human Digital Twins. Table 2 presents a compilation of literature concerning the design, architecture, and considerations pertinent to the implementation of Human Digital Twins. Table 2: Insights for Human Digital Twins Reference Relevance Qu et al. (2024) Human-Machine integration Model planning and design considerations Multiple source data acquisition De Oliveira et al. (2023) Human Digital Twins Use of smartwatches He et al. (2024) Considerations for the design of Human Digital Twins Frameworks Coronado et al. (2024) Architecture for Human - Robot collaboration Use of ROS The development of optimization algorithms requires information from a wide range of sources. Digital twin research aims to improve resource allocation, prediction, and other processes by using real-time information. However, the challenge lies in the difficulty of streaming and processing this information. Data acquisition depends on various technologies that may not enable quick communication and data streaming. It is also common to have access to an excess of data from different sources that lacks concrete value. Nevertheless, ongoing research efforts are crucial in uncovering the potential value of such data. With rapid advancements in hardware and processing capabilities, the potential value of processed data is likely to be realized in the near future as hardware continues to evolve. 3. Communication protocol and simulation environment It’s important to note that the communication link between the IoT nodes and the machine tools is established using an industrial standard protocol, namely TCP/IP via Ethernet to Kern Evo and the conveyor belt. Additionally, the UR5 and ROSbot XL are connected using ROS 2. Data for human-related indicators will be collected from wearable devices such as smartwatches. Prominent brands frequently mentioned in the literature include Samsung, Google, Apple, Huawei, and Garmin. An intermediary Wear OS application is being developed to establish wireless communication between the wearables and IoT nodes. The processed data will be transmitted using MQTT. Physiological indicators from wearable devices will be used to create human digital twins and to extract wellness metrics such as heart rate, blood pressure, and stress levels. Figura 1: Standardized communication protocol in the HRI-DT The DC motors of the conveyor belts are controlled by signals transmitted from IoT nodes. These nodes consist of two Raspberry Pi 3B+and two 4B+models, along with a PC MSI core i3 with 4GB RAM. These IoT nodes are interconnected at a higher layer through MQTT protocol. Finally, a connector is created between the IoT and robotic networks to share messages, understanding both ROS 2 and MQTT. The simulation environment chosen for implementing the HRI-DT is FlexSim which is powerful 3D simulation modeling 53 Alfaro, D. et al. / XVIII Simposio CEA de Control Inteligente. (2024) and analysis software that allows you to model, analyze, and improve various systems, including manufacturing, healthcare, material handling, supply chain, warehousing, logistics, aerospace, and mining1. The main key features of this software are beyond spreadsheets, stunning 3D Visualization and case studies. In addition to utilizing FlexSim for simulation purposes, Gazebo will be employed for robot interaction and visualization within the ROS2 framework. Alongside RViz for mapping, Gazebo introduces the dimension of physics simulation, enabling the acquisition of data related to force interactions. This integration enhances the realism and accuracy of the simulated environments by incorporating physical dynamics. 4. Case Study: Industry 5.0 Pilot Line Digital Twin 4.1. Pilot line description The pilot line allows for a wide variety of manufacturing operations for different parts. One practical application involves manufacturing, quality control, and subsequent engraving on the micromilling machine if the piece is correct. The manufacturing process for these covers, which are based on metallic, ceramic, mosaic, or natural stone cladding adhered to extruded polystyrene (XPS) panels, consists of several phases: gluing, pressing, and profiling. The pilot line selected for this specific application includes a machine tool with sensors, a manipulator robot, two conveyor belts, an autonomous mobile robot serving as a pallet truck for re-manufactured parts, and a human operator. The machine tool is an ultra-precision micromachining center equipped with a Nano NT laser control . Additionally, a Universal Robots UR5e manipulator robot is situated next to the machine to handle the workpieces. Two conveyor belts are responsible for transporting the workpieces. Further along the conveyor belts, the autonomous mobile robot ROSbot XL HUSARION, equipped with a LiDAR RPLIDAR A2 and a stereoscopic camera Intel RealSense, facilitates the transfer of manufactured parts between machines. One important stage in the pilot line is the quality control system, which consists of the Allied Vision Mako G-192 artificial vision inspection camera. This camera is a GigE camera with an e2v CMOS color sensor and has a resolution of 1.9 megapixels. It is positioned in front of the pick-and-place arm robot UR5. The robot picks up the panel from the conveyor belt and places it in front of the camera for inspection of all sides of the panel. 4.2. Human-robot interaction simulations To develop the HRI-DT and determine the best way to allocate human and robot resources, it is necessary to gather data from the various sensors in humans and robots/machines. This requires saving data from both simulations and real experiments. Figures 3 and 4 show simulations of human-robot and robot-robot interactions in pick-and-place operations in Industry 5.0 manufacturing lines. Figura 3: HRI-DT of interaction between the UR5 robotic arm and the human operator. Figura 4: HRI-DT of interaction between the UR5 robotic arm and the AGV HUSARION Rosbot XL 5. Future works 5.1. Digital twins with models of machines, devices, robots and humans Based on the useful information provided by sensors for humans and for cyber-physical systems, as well as the interpretation of the interaction between man and machine through the classification of the actions that both perform based on AI, modeling based on Historical data of interaction behavior based on LSTM and deep learning to detect gestures and intentions through images will allow exploration and research in human digital twins based on human cyberphysical systems. These systems must contain virtual modules of both the robot and the human, as well as the production system. Digital twins will include resources (humans and robots/manufacturing devices) and activity digital twins that represent the physical tasks required by human – robot interaction (HRI). Distributed systems will benefit from digital twin technologies to plan tasks, configure and install virtual models of machines, robots, manufacturing devices and operators, map the shared workspace, and monitor the activities of the devices/robot and the human being. Additionally, the twins will allow end users to monitor the overall performance of humans and robots on site. Additionally, some effort will be devoted to the integration of robot/device configuration interfaces and human-centric sensing interfaces. 5.2. Fast and agile resource allocation optimizations The integrated planning and programming of processes of manufacturing entities represents one of the processes with the greatest impact to optimize production systems. In this sense, 54 Alfaro, D. et al. / XVIII Simposio CEA de Control Inteligente. (2024) Figura 2: Panoramic view of the HRI-DT of the pilot manufacturing line. this task will provide the tools and services necessary to optimally plan and schedule resource activities in the field. The resource allocation and optimization toolkit must prioritize human benefits and ensure safe and efficient interactions between humans and robots. This decision-making must be flexible and agile to address all possible situations on the ground. Strategies such as machine learning to analyze historical data and make predictions about future resource needs will be explored beyond the state of the art; deep learning to recognize complex patterns in data; reinforcement learning to train devices/robots to make optimal decisions in real time; genetic algorithms for optimization problems, such as optimal resource allocation on a manufacturing line; swarm intelligence to solve optimization problems such as coordinating multiple devices/robots to work together efficiently; fuzzy logic to handle uncertainties in the manufacturing process; and neural networks to find patterns that are too complex or numerous. 6. Conclusions This paper illustrates the significant potential of integrating digital twin technologies with Human-Robot Interaction within the framework of Industry 5.0. Industry 5.0 aims to combine human intelligence with advanced technologies such as AI and robotics, fostering more responsive and socially responsible manufacturing systems through a human-centric approach.The HRI-DT developed to evaluate optimal resource allocation in a manufacturing pilot line exemplifies how digital twins can enhance human-robot collaboration approaches. The use of FlexSim and Gazebo for simulation demonstrates the software’s capability to model and enhance various manufacturing systems, improving decision-making and resource allocation. Effective data integration and communication protocols such as TCP/IP, ROS2, and MQTT facilitate seamless interaction between IoT nodes, machine tools, and wearable devices. Data acquisition from human operators will provide information to improve human welfare. For this purpose, development using Wear OS is needed. This integration allows physiological data from wearables to be incorporated into human digital twins, providing valuable insights for optimizing human-robot interaction. The research also outlines future directions, including the development of digital twins for human cyber-physical systems and the application of AI for gesture and intention recognition. By exploring advanced optimization techniques like machine learning and swarm intelligence, this research aims to enhance resource allocation and ensure safe, efficient human-robot interactions, contributing to the advancement of flexible, sustainable manufacturing. Acknowledgements This work has been funded by European Commission through the Horizon Europe project “Multi-Modal and MultiAspect Holistic Human-Robot Interaction (FORTIS)”, grant ID 101135707. Referencias Coronado, E., Ueshiba, T., Ramirez-Alpizar, I. G., 2024. A path to industry 5.0 digital twins for human–robot collaboration by bridging nep+and ros. Robotics 13 (2), cited by: 0; All Open Access, Gold Open Access. DOI: 10.3390/robotics13020028 Damjanovic-Behrendt, V., Behrendt, W., 2019. An open source approach to the design and implementation of digital twins for smart manufacturing. International Journal of Computer Integrated Manufacturing 32 (4-5), 366 – 384, cited by: 106; All Open Access, Green Open Access. DOI: 10.1080/0951192X.2019.1599436 De Oliveira, C. D., Khanshan, A., Van Gorp, P., 2023. Exploring the feasibility of data-driven emotion modeling for human digital twins. p. 568 – 573, cited by: 0; All Open Access, Bronze Open Access. DOI: 10.1145/3594806.3596535 Guerra, R. H., Quiza, R., Villalonga, A., Arenas, J., Casta˜ no, F., 2019. Digital twin-based optimization for ultraprecision motion systems with backlash and friction. IEEE Access 7, 93462–93472. DOI: 10.1109/ACCESS.2019.2928141 55 Alfaro, D. et al. / XVIII Simposio CEA de Control Inteligente. (2024) He, Q., Li, L., Li, D., Peng, T., Zhang, X., Cai, Y., Zhang, X., Tang, R., 2024. From digital human modeling to human digital twin: Framework and perspectives in human factors. Chinese Journal of Mechanical Engineering (English Edition) 37 (1), cited by: 2; All Open Access, Gold Open Access. DOI: 10.1186/s10033-024-00998-7 Jahanmahin, R., Masoud, S., Rickli, J., Djuric, A., 2022. Human-robot interactions in manufacturing: A survey of human behavior modeling. Robotics and Computer-Integrated Manufacturing 78, cited by: 31. DOI: 10.1016/j.rcim.2022.102404 Li, X., He, B., Zhou, Y., Li, G., 2021. Multisource model-driven digital twin system of robotic assembly. IEEE Systems Journal 15 (1), 114–123. DOI: 10.1109/JSYST.2019.2958874 Nahavandi, S., 2019. Industry 5.0-a human-centric solution. Sustainability (Switzerland) 11 (16), cited by: 645; All Open Access, Gold Open Access. DOI: 10.3390/su11164371 Qu, Y., Zhao, N., Zhang, H., 2024. Digital twin technology of human–machine integration in cross-belt sorting system. Chinese Journal of Mechanical Engineering (English Edition) 37 (1), cited by: 0; All Open Access, Gold Open Access. DOI: 10.1186/s10033-024-01012-w Safavi, F., Olikkal, P., Pei, D., Kamal, S., Meyerson, H., Penumalee, V., Vinjamuri, R., 2024. Emerging frontiers in human–robot interaction. Journal of Intelligent and Robotic Systems: Theory and Applications 110 (2), cited by: 1; All Open Access, Hybrid Gold Open Access. DOI: 10.1007/s10846-024-02074-7 Su, H., Qi, W., Chen, J., Yang, C., Sandoval, J., Laribi, M. A., 2023. Recent advancements in multimodal human–robot interaction. Frontiers in Neurorobotics 17. DOI: 10.3389/fnbot.2023.1084000 Tao, F., Zhang, H., Liu, A., Nee, A. Y. C., 2019. Digital twin in industry: Stateof-the-art. IEEE Transactions on Industrial Informatics 15 (4), 2405–2415. DOI: 10.1109/TII.2018.2873186 Villalonga, A., Negri, E., Biscardo, G., Castano, F., Haber, R. E., Fumagalli, L., Macchi, M., 2021. A decision-making framework for dynamic scheduling of cyber-physical production systems based on digital twins. Annual Reviews in Control 51, 357–373. DOI: https://doi.org/10.1016/j.arcontrol.2021.04.008 Wang, T., Zheng, P., Li, S., Wang, L., 2024. Multimodal human–robot interaction for human-centric smart manufacturing: A survey. Advanced Intelligent Systems 6 (3), cited by: 4; All Open Access, Gold Open Access. DOI: 10.1002/aisy.202300359 56 XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos La docencia en ingeniería de control frente a la inteligencia artificial generativa Barragán, A. Javiera,∗ , Segura, Franciscaa, Martínez, Miguel A.a, Andújar, José M.a aCentro de Investigación en Tecnología, Energía y Sostenibilidad (CITES), Universidad de Huelva, ctra. Huelva-Palos s/n, 21819, Palos de la Ftra. (Huelva) To cite this article: Barragán, A.J. et al. 2024. Control engineering in the face of artificial intelligence. XIX Simposio CEA de Control Inteligente. (2024) Resumen El auge reciente de las inteligencias artificiales (IAs), y más específicamente de las IAs generativas, está suponiendo la necesidad de un cambio de paradigma en las enseñanzas universitarias. La capacidad de las IAs de crear contenido, elaborar memorias, resúmenes y resolver problemas incluso complejos, debe provocar un cambio en muchos de los sistemas de evaluación que se venían utilizando; o al menos, una toma en consideración de la posibilidad que tiene nuestro alumnado de utilizar estas nuevas herramientas para la realización de sus tareas. En el presente artículo se pretende comprobar la capacidad de las principales IAs disponibles actualmente para la realización de tareas relacionadas con la ingeniería de control, tanto teóricas como prácticas. Los resultados demuestran que las IAs actuales aún no son capaces de resolver problemas de control, y se centran en utilizar recetas típicas no siempre convenientes; sin embargo, sí presentan buenos resultados en lo que respecta a conocimientos teóricos generales. Palabras clave: Análisis, IA, Ingeniería de control, Inteligencia artificial, PID, teoría. Teaching in control engineering vs generative artificial intelligence Abstract The recent rise of generative artificial intelligences (AIs), and more specifically generative AIs, is bringing about the need for a paradigm shift in university education. The capacity of AIs to create content, elaborate memories, summaries and solve even complex problems, should provoke a change in many of the evaluation systems that have been used; or at least, a consideration of the possibility that our students have to use these new tools to carry out their tasks. In this paper, the aim is to test the capability of the main AIs currently available for the performance of tasks related to control engineering, both theoretical and practical. The results show that current AIs are not yet capable of solving control problems, and focus on using typical recipes that are not always convenient; however, they do perform well in terms of general theoretical knowledge. Keywords: Analysis, AI, Artificial intelligence, Control engineering, PID, theory. 1. Introducción Las inteligencias artificiales (IAs) pueden eliminar las limitaciones humanas respecto a la capacidad de adquirir información, retención de conocimientos y los sesgos cognitivos mediante un análisis exhaustivo de los datos y la extracción de patrones (Wang, 2022). La acelerada evolución de la IAs generativas (con capacidad para generar información) está redefiniendo cómo vivimos y trabajamos en una gran variedad de sectores (Wang et al., 2023). Por supuesto, el contexto educativo no es ajeno a estos cambios y se ha visto necesariamente afectado por su utilización (Jiayu, 2023). Las IAs generativa está transformando el panorama educativo en las universidades, ofreciendo tanto oportunidades como desafíos para la docencia (Yeralan y Lee, 2023) y la investigación (Zhang y Shi, 2021). La adopción de estas tecnologías promete revolucionar la manera en que el estudiantado aprende y cómo las instituciones educativas enseñan y evolucionan (Popenici y Kerr, 2017). En particular, las herramientas de IAs generativas, como las Redes Generativas Antagónicas (GANs) y modelos como GPT, están siendo integradas en el aula para mejorar el proceso de enseñanza-aprendizaje (Ruiz-Rojas et al., 2023; BethencourtAguilar et al., 2023; Walczak y Cellary, 2023). Sin embargo, ∗Autor para correspondencia: [email protected] Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) 57 Torres, J.C. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos volante con respecto a la potencia que este consuma o genere frente a las consignas de velocidad que se le den a la entrada. 2. Descripción de los elementos del modelo A continuación, se describen los elementos principales del modelo de Simulink 2024, explicando su función y su contribución al sistema propuesto, representados en la Figura 1. 2.1 Fuente de alimentación y configuración del solucionador En la Figura 2 se puede contemplar el “Configurador del Solucionador” define los parámetros de solución del modelo de Simulink, asegurando que el sistema de ecuaciones diferenciales que describe el modelo se resuelva correctamente durante la simulación. Por otra parte, la “Fuente de Voltaje Programable Trifásica” representa una fuente de voltaje programable trifásica, que simula el control realizado al motor a través del variador de frecuencia, utilizando la energía eólica para alimentar de forma controlada el motor. Esta fuente suministra la energía necesaria al sistema, proporcionando una entrada que alimenta al motor de inducción y otros componentes del modelo. En esta fuente se configurarán los parámetros en régimen constante y posteriormente un salto proporcional de tensión y frecuencia, simulando la operación del variador y observando la respuesta del volante frente a diversos cambios en la red. Figura 1. Bloque fuente de alimentación y configuración del solucionador. 2.2 Medición de potencia activa y reactiva La Figura 3 representa el bloque crucial para el control y la regulación del sistema de energía renovable en la planta desaladora. Está compuesto por sensores que capturan los valores de potencia activa (P) y reactiva (Q) del sistema (Willems, 2010). Estos sensores están conectados a la fuente de voltaje programable trifásica, permitiendo la monitorización en tiempo real de los parámetros eléctricos. Los datos obtenidos son esenciales para el sistema de control, proporcionando información precisa para ajustar y optimizar el uso de la energía generada por la fuente eólica. Esto asegura una operación eficiente y equilibrada de la planta desaladora. Figura 3. Bloque de medición de potencia activa y reactiva. 2.3 Medición de tensión de línea y RMS En esta sección del modelo (Figura 4), se realiza la medición de la tensión de línea trifásica y el cálculo del valor RMS. El bloque de "Voltaje de Línea Trifásica” mide las tensiones de las tres fases del sistema. Estos valores de tensión se utilizan para obtener información sobre el estado de la red y son esenciales para el control preciso del sistema de energía. Figura 4. Bloque de medición de tensión de línea y RMS. Figura 2. Diagrama de Bloques de Simulink. 64 Torres, J.C. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos El bloque de medición RMS calcula el valor cuadrático medio (RMS) de las señales de tensión. Esta se utiliza para la representación de la energía efectiva del sistema. El Medidor de Fase de Positiva (PMU) basado en PLL es utilizado para calcular la secuencia positiva de las tensiones. Su principal función es sincronizar las fases y garantizar una operación estable y eficiente del motor de inducción. El PMU también calcula la magnitud y el ángulo de las tensiones, lo que permite un análisis detallado del estado de la red. La salida del PMU se normaliza usando un bloque que divide por la raíz cuadrada de dos, lo cual es necesario para convertir las mediciones a una base de referencia adecuada. Adicionalmente, se incluye un bloque que ajusta la frecuencia de la red, asegurando que las mediciones y el control sean precisos y reflejen las condiciones actuales de operación. 2.4 Máquina de inducción y permutación de fases La Máquina de Inducción tipo Jaula de Ardilla es uno de los componentes principales del sistema. Este bloque simula el comportamiento de un motor de inducción (Kundur, 1993; Lyshevski, 1999; Ojo et al., 1990). La máquina de inducción es accionada por la fuente de voltaje trifásica y su modelo incluye parámetros como la resistencia y la inductancia del rotor y el estator, para configurar estos parámetros fue necesaria la utilización de datos estimados a través de la metodología (Cetin et al., 2020). El bloque de Permutación de Fases, Figura 5, ubicado debajo del motor de inducción, se utiliza para cambiar el orden de las fases de la señal trifásica. Esta permutación de fases es necesaria para realizar la conexión en trifásica. Figura 5. Bloque del motor de inducción y permutación de fases. 2.5 Inercia del sistema En esta sección del modelo (Figura 6) se representa la inercia del sistema, un componente para la regulación dinámica de energía en la planta desaladora. El bloque de la “Máquina de Inducción tipo Jaula de Ardilla” está conectado a un circuito de inercia que simula diversos aspectos del comportamiento mecánico del sistema (Katsuhiko Ogata, 1990). Figura 6. Bloque de inercia del sistema. El circuito de inercia incluye una bobina, un condensador y un amortiguador. Cada uno de estos componentes tiene un papel específico en la simulación del comportamiento del sistema: ▪Bobina (L): La bobina en el circuito representa la rigidez del eje del motor. La rigidez del eje es un parámetro importante que afecta la capacidad del motor para resistir deformaciones bajo carga. En el contexto del modelo, esta rigidez se simula mediante la inductancia de la bobina, que almacena energía en el campo magnético durante la operación. Para ello se toma el momento de inercia polar a través de la ecuación (1) y posteriormente se sustituye en la ecuación (2) para obtener la deformación y así sustituir en la (3) y tener la rigidez. 𝐼 = 𝜋 2∗ 𝐷4 (1) 𝜃 = 𝑀 ∗ 𝐿 𝐺 ∗ 𝐼𝑜 (2) 𝑘 = 𝑀 𝜃 (3) ▪Condensador (C): El condensador en el circuito representa los parámetros de fricción rotacional del motor. La fricción rotacional es la resistencia que encuentra el rotor al girar, y está relacionada con las pérdidas mecánicas internas del motor y el coeficiente de fricción calculado durante los ensayos (Douairi et al., n.d.) Este coeficiente de fricción se refiere a la resistencia al movimiento del rotor debido a la interacción con el medio ambiente y otros componentes mecánicos. También se consideran parámetros de entrada en este bloque las fricciones estáticas y la de Coulomb y la velocidad para la fricción de Stribeck, los cuales vienen determinados intrínsecamente en los parámetros del motor. ▪Amortiguador rotacional (R): este representa las pérdidas producidas por la deformación del eje, que a su vez está también relacionado con la rigidez del mismo. Para la obtención de este parámetro se parte de la ecuación diferencial de un movimiento rotacional. 𝐼𝜃󰇘+ 𝐵𝜃󰇗+𝑘𝜃 = 𝑇 (4) En esta ecuación 4, I representa el momento de inercia del sistema, 𝜃󰇘 es la aceleración angular, B es el coeficiente de amortiguamiento rotacional, 𝜃󰇗 es la velocidad angular, k es la rigidez rotacional del eje, 𝜃 es el desplazamiento angular, y T es el par aplicado al sistema. Considerando que el término de la rigidez es tan elevado que la deformación angular será tan baja que se podrá despreciar. De esta forma quedaría como la ecuación 5: 𝐵 = 𝑇 𝜔 (5) El volante de inercia, representado en el diagrama, actúa como regulador dinámico que almacena y libera energía cinética para equilibrar las variaciones instantáneas entre la generación y la demanda de energía. Durante los periodos de exceso de generación de energía eólica, el volante de inercia almacena energía girando a altas velocidades. Cuando la demanda de energía supera la generación, el volante reduce su velocidad, liberando la energía almacenada para mantener la estabilidad del sistema. También se han colocado equipos de medida para obtener, velocidad, aceleración y torque generado por el volante de inercia. 65 Torres, J.C. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 2.6 Parámetros de operación y cálculo de deslizamiento En la figura 7 se convierten los datos de salida del bloque de motor de unidades en tanto por uno a magnitudes reales y posteriormente se grafican. Estos datos son el Par Motor, la Velocidad del Rotor, La Potencia Activa, la Velocidad Angular del Estator (esta velocidad se compara con la velocidad del rotor para calcular el deslizamiento del motor) y el deslizamiento. Este se calcula utilizando la siguiente ecuación 6. 𝜔𝑠− 𝜔𝑟 𝜔𝑠 (6) Donde ωs es la velocidad angular del estator y ωr es la velocidad angular del rotor. Figura 7. Bloque paso de parámetros en tanto por uno a magnitudes. El bloque “XY Graph” permite visualizar la relación entre el par motor y la velocidad angular del rotor, facilitando el análisis del comportamiento del motor bajo diversas condiciones de operación. Este tipo de visualización es útil para identificar patrones y ajustar el control del sistema de manera efectiva. Finalmente, los resultados del cálculo de deslizamiento y otros parámetros se utilizan para ajustar el control del sistema de almacenamiento de energía. Esta integración de mediciones y cálculos es fundamental para el éxito del proyecto, permitiendo una gestión inteligente y adaptable del sistema. 3. Validación del modelo Para la validación del modelo se han realizado ensayos experimentales, obteniendo valores de potencia según diferentes consignas dadas al variador de frecuencia que controla el motor. Conocida la relación tensión frecuencia (V) (7) y pudiendo calcular la frecuencia (F) (8). 𝑉 = 8 ∗ 𝐹 (7) 𝐹 = 𝜔𝑟 60 (8) Para los tres saltos seleccionados para realizar la validación los resultados obtenidos han sido. Las gráficas que relacionan la potencia-velocidad-consigna para el tramo de aceleración han sido: a) b) c) -6 -4 -2 0 1600 1800 2000 2200 2400 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 101 105 109 113 117 121 125 129 133 Potencia (kW) Velocidad angular (rpm) Tiempo (seg) 1900-2200 consigna velocidad potencia -8 -6 -4 -2 0 1800 2000 2200 2400 2600 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100 103 106 Potencia (kW) Velocidad angular (rpm) Tiempo (seg) 2200-2500 Consigna Velocidad Potencia -3 -2 -1 0 1400 1600 1800 2000 15913 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97 101105109113117 Potencia (kW) Velocidad angular (rpm) Tiempo (seg) 1700-1900 Consigna Velocidad Potencia Figura 8. Relación potencia-velocidad-consigna para tramo de aceleración de: a)1700-1900, b)1900-2200, c)2200-2500. 66 Torres, J.C. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos Para el tramo de desaceleración se han obtenido: Trasladando los datos en forma de frecuencia y tensión a la fuente de alimentación del sistema de bloques de Simulink. Al introducirlos en el bloque de fuente de tensión y alimentar al resto del sistema se obtiene una simulación del modelo desarrollado donde se podrá ver como el volante genera o absorbe la energía frente a las variaciones de la frecuencia de la red, estimando así su capacidad como acumulador de energía dinámico. La parametrización de este tipo de sistema es muy valiosa, dado que no es un sistema lineal que, al escalarse para implementarlo en distintos tipos de sistemas vaya a tener una respuesta genérica fácil de estimar. A continuación, se muestran los resultados del salto energético absorbido por el volante en la Figura 10, caso que se daría cuando el consumo de la planta desaladora sea inferior a la generada por la eólica. Figura 10. Resultados del salto energético absorbido por el volante. Por otro lado, en la Figura 11 se tiene los resultados del salto energético cedido por el volante, lo cual sucedería en caso de que la planta desaladora requiera de mayor cantidad de energía de la que está siendo generada por el parque eólico. Figura 11. Resultados del salto energético cedido por el volante. Como se puede observar, el sistema produce unos resultados bastante semejantes a los obtenidos en el banco de ensayo, las principales diferencias se deben, muy probablemente a errores debido a los grandes intervalos de muestreo que tienen los sensores que se han usado para la adquisición de los datos, obteniendo de esta forma la medida de la potencia desfasada de las velocidades. Al representar la entrada de un escalón unitario en la subida de velocidad por ejemplo de 1900-2200 (Figura 8. b), se pueden observar las siguientes gráficas en las Figuras 12,13,14 y 15. -2 0 2 4 6 8 1800 2000 2200 2400 2600 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 Potencia (kW) Velocidad angular (rpm) Tiempo (seg) 2500-2200 Consigna Velocidad Potencia -2 0 2 4 6 1600 1800 2000 2200 2400 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100 103 106 109 112 Potencia (kW) Velocidad angular (rpm) Tiempo (seg) 2200-1900 consigna velocidad -1 0 1 2 3 1500 1600 1700 1800 1900 2000 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 Potencia (kW) Velocidad angular (rpm) Tiempo (seg) 1900-1700 Consigna Figura 9. Relación potencia-velocidad-consigna para tramo de desaceleración de: a)2200-1900, b)1900-1700, c)2500-22000. a) b) c) 67 Torres, J.C. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos Figura 12. Gráfica de par del motor frente al escalón de 1900-2200. Figura 13. Gráfica de velocidad frente al escalón de 1900-2200. Figura 14. Gráfica de potencia frente al escalón de 1900-2200. Figura 15. Gráfica de deslizamiento frente al escalón de 1900-2200. 4. Resultados El modelo desarrollado en Simulink demostró ser efectivo para simular la operación de un sistema de acumulación de energía mediante volante de inercia. Se lograron los siguientes resultados clave: ▪El sistema modelado fue capaz de simular con poco error los ciclos de absorción y descarga de energía con un margen pequeño de error. ▪Se producen ciertos desfaces en las medidas tomadas respecto a potencia y cambios de velocidad, lo cual genera la necesidad de implementar mejores equipos electrónicos para la toma de datos y posterior procesamiento de los mismos. ▪Se ha puede observar como en los momentos de mayor demanda energética, el volante de inercia liberó la energía almacenada, manteniendo la estabilidad del sistema. Estos resultados confirman la viabilidad de la línea en investigación de cara a mejorar el modelo para obtener resultados más precisos y ampliarlo de cara a poder usarlo con señales de entrada variables ya sean programables u otros bloques de Simulink con el objetivo de simular tanto la generación de un aerogenerador como el consumo de una desaladora cerrando el ciclo así de una microrred. Agradecimientos Este trabajo de investigación es parte del proyecto PID2022-142148OA-I00 financiado por MCIN/AEI/10.13039/501100011033/FEDER, UE. Esta contribución ha sido co-financiada por la Ayuda RED2022-134588-T financiada por MICIU/AEI /10.13039/501100011033. Referencias Cetin, O., Dalcalı, A., & Temurtas, F. (2020). A comparative study on parameters estimation of squirrel cage induction motors using neural networks with unmemorized training. Engineering Science and Technology, an International Journal, 23. https://doi.org/10.1016/j.jestch.2020.03.011 Douairi, H., Torres, J. C., Cabrera, P., & Carta, J. A. (n.d.). Modelo lineal de pérdidas de un volante de inercia. https://doi.org/10.4995/riai.2020.7133 Katsuhiko Ogata. (1990). Ingenieria de Control Moderna (3a. Ed). Kundur, P. (1993). Power System Stability and Control. Lyshevski, S. E. (1999). Electromechanical Systems, Electric Machines, and Applied Mechatronics. Matos, C., Cabrera, P., Carta, J. A., & Melián-Martel, N. (2024). Wind-Powered Desalination on Islands: A Review of Energy–Water Pathways. In Journal of Marine Science and Engineering (Vol. 12, Issue 3). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/jmse12030464 Ojo, J. O., Consoli, A., & Lipo, T. A. (1990). An improved Model of Saturated Induction Machine. Willems, J. (2010). The IEEE standard 1459: what and why. 68 XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos ____________________ *Autor para correspondencia: hamza.cha[email protected]lpgc.es Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) Resumen El volante de inercia es un sistema mecánico robusto que almacena energía cinética, con aplicaciones potenciales en ingeniería como transporte, energías renovables y vehículos espaciales. Destacan su alta densidad de potencia, eficiencia y larga vida útil. Se considera una opción viable para aplicaciones que requieren almacenamiento energético con ciclos de trabajo elevados. En este estudio, se busca crear un modelo lineal de pérdidas de un volante de inercia, proponiendo una estrategia inteligente para gestionar su velocidad angular. Se investiga si el método propuesto modela adecuadamente el comportamiento de la velocidad angular. El volante, ubicado en el Laboratorio de Diseño y Mantenimiento de Máquinas de la Universidad de Las Palmas de Gran Canaria, está diseñado para estabilizar una microrred eléctrica basada en energía eólica. Palabras clave: Filtrado y suavizado, herramientas de minería de datos, modelado, sistemas mecatrónicos, operación y planificación del almacenamiento de energía, control inteligente de los sistemas de energía, estructuras inteligentes. Linear Loss Model of a Flywheel Abstract The flywheel is a robust mechanical system that stores kinetic energy, with potential applications in fields such as transportation, renewable energy, and space vehicles. Its high-power density, efficiency, and long service life are outstanding. It is considered a viable option for applications requiring energy storage with high duty cycles. In this study, we aim to create a linear loss model of a flywheel and propose an intelligent strategy to manage its angular velocity. We investigate whether the proposed method adequately models the behaviour of the angular velocity. The flywheel, located in the Machine Design and Maintenance Laboratory of the University of Las Palmas de Gran Canaria, is designed to stabilize an electrical microgrid based on wind energy. Keywords: Filtering and smoothing, data mining tools, modeling, mechatronic systems, energy storage operation and planning, intelligent control of energy systems, smart structures. 1. Introducción. El almacenamiento y gestión eficiente de energía es crucial en la ingeniería moderna, especialmente en sistemas industriales y de energías renovables (Sayed et al., 2023). Los volantes de inercia desempeñan un papel fundamental en la acumulación y liberación de energía cinética, ofreciendo una solución robusta y eficaz para el manejo de fluctuaciones en la demanda energética (Hacene Mahmoudi, n.d.). Este artículo se centra en la creación de un modelo lineal para predecir las pérdidas de un volante de inercia, lo cual es esencial para optimizar su eficiencia y funcionamiento. Utilizando técnicas avanzadas de minería de datos y regresión lineal, se pretende cuantificar y comprender mejor las pérdidas asociadas al volante de inercia. La metodología aplicada sigue el enfoque KDD (Knowledge Discovery in Databases), que permite extraer información valiosa de los datos recopilados. Este proceso no solo mejora la precisión en la predicción de las pérdidas, sino que también sienta las bases para futuras aplicaciones de Machine Learning (Gamarra et al., 2016). El modelo desarrollado se utilizará para predecir las pérdidas del volante de inercia en diversas condiciones operativas, facilitando así su integración en sistemas de gestión inteligente. Este enfoque permite ajustar de manera precisa la velocidad angular del volante, optimizando el rendimiento del sistema y reduciendo las pérdidas energéticas. Además, el conocimiento obtenido de este estudio puede aplicarse en la gestión de microrredes eléctricas basadas en fuentes Modelo lineal de pérdidas de un volante de inercia Douairi, Hamza.a, Torres-Bordón, Juan Carlosa, Carta, José Antonio.a, Cabrera, Pedro.a a Departamento de Ingeniería Mecánica, Universidad de Las Palmas de Gran Canaria, To cite this article: Douairi, Hamza., Torres-Bordón, Juan Carlos, Carta, José Antonio, Cabrera, Pedro. 2024. Linear Loss Model of a Flywheel. XIX Simposio CEA de Control Inteligente (2024) 69 Douairi, H. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos renovables, como la energía eólica, mejorando la estabilidad y eficiencia de estos sistemas (Carta et al., 2003). 2. Materiales Este capítulo detalla el diseño del volante de inercia y sus subsistemas asociados, como se muestra en la Figura 1. Figura 1: Sistema mecatrónico diseñado para gestionar un volante de inercia 2.1. Volante de inercia El volante de inercia es una pieza fundamental del sistema, diseñada como un disco de acero AISI 1045 que se acopla a un árbol. Sus especificaciones incluyen un peso de 790 N, un diámetro de 450 mm y un espesor de 80 mm, lo que resulta en un volumen total de 9784.6 cm3. Esta masa giratoria juega un papel crucial en el almacenamiento y la transferencia de energía cinética dentro del sistema. 2.2. Máquina eléctrica Se trata de una máquina eléctrica trifásica de inducción, identificada como modelo TECHTOP T2AR132S2-2, es un componente clave del sistema. Con una velocidad nominal de 2920 rpm y una tensión de 400V en corriente alterna (CA), esta máquina tiene una potencia nominal de 7.5 kW. Su función principal es convertir la energía mecánica del volante de inercia en energía eléctrica y viceversa, lo que permite la transferencia bidireccional de energía dentro del sistema. Esta máquina proporciona la capacidad necesaria para gestionar eficientemente la energía cinética almacenada en el volante de inercia, contribuyendo así al funcionamiento global del sistema de manera óptima. 2.3. Sistema actuador y convertidor de frecuencia El sistema actuador se compone de un convertidor de frecuencia regenerativo Leroy-Somer Powerdrive FX33T. Este dispositivo permite la transferencia bidireccional de energía entre la red eléctrica y la máquina eléctrica trifásica de inducción. El convertidor recibe una consigna de velocidad angular (0-2920 rpm) y actúa de dos maneras: Si la velocidad angular del volante de inercia es inferior a la consigna, el convertidor facilita el flujo de energía desde la red hacia la máquina eléctrica para alcanzar la velocidad requerida; si la velocidad angular excede la consigna, el convertidor transforma el exceso de energía cinética en energía eléctrica, la devuelve a la red y frena la máquina eléctrica para mantener la estabilidad del sistema. 2.4. Sistema de medición de velocidad y energía El sistema de medición de velocidad y energía emplea una combinación de dispositivos especializados: Un transductor de velocidad angular, modelo E6C2-C, que genera 2000 pulsos por cada revolución, proporcionando una medida precisa de la velocidad del volante de inercia. Un equipo diseñado específicamente para medir las variables eléctricas del sistema. Este conjunto incluye tres transductores de intensidad LEM HAL 50-S, capaces de medir corrientes instantáneas de hasta 50 A con una precisión de ±1%. Además, se emplean tres transductores de tensión LEM LV 25-P, capaces de medir tensiones instantáneas de hasta 500V. Complementando estos elementos, se incluye la electrónica necesaria para su funcionamiento y alimentación. Este sistema garantiza una medición precisa y confiable de las corrientes y tensiones trifásicas en el sistema mecatrónico, lo que permite un monitoreo detallado de su rendimiento eléctrico. 2.5. Tarjeta de adquisición de datos La tarjeta de adquisición de datos National Instruments USB-6009 desempeña un papel crucial en la conversión de medidas eléctricas en datos digitales interpretables por un ordenador. Esta tecnología permite la captura precisa y eficiente de las señales eléctricas generadas por el sistema mecatrónico. La tarjeta actúa como un intermediario, traduciendo las señales analógicas en formato digital, lo que facilita su procesamiento y análisis por parte del software de control. 2.6. Software de monitoreo y control integrado El ordenador alberga un sistema de monitoreo y control integrado que comprende múltiples subrutinas. Estas subrutinas están diseñadas para calcular y registrar diversas métricas, como potencia y velocidad angular, utilizando las medidas eléctricas y los pulsos generados por el sistema. Esta solución proporciona una supervisión detallada y un control efectivo del sistema mecatrónico, permitiendo una operación precisa y eficiente en tiempo real 3. Método En este trabajo, se adopta el enfoque KDD (Knowledge Discovery in Databases) para la gestión inteligente de la velocidad angular del volante de inercia. Este método, característico de la Minería de Datos, facilita la identificación y extracción de conocimientos ocultos y potencialmente valiosos para la comprensión profunda del sistema y el logro de objetivos específicos (Gamarra et al., 2016). Similar al 70 Douairi, H. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos proceso de aprendizaje humano, el KDD (Knowledge Discovery in Databases) examina nueva información y la vincula con objetivos específicos, empleando técnicas avanzadas de aprendizaje automático (Machine Learning). Estas técnicas permiten identificar patrones y regularidades en los datos, proporcionando una base sólida para la toma de decisiones informadas y la optimización en la gestión del volante de inercia. A través del uso de algoritmos de Machine Learning, es posible generar modelos predictivos que mejoren la eficiencia y el control del sistema, garantizando así un rendimiento óptimo y una mejor adaptación a diversas condiciones operativas. (Fayyad et al., 1996). El proceso de KDD implica varias etapas, como se puede observar en la Figura 2, incluyendo la recopilación de datos, selección y limpieza de los datos incorrectos o incompletos, la propia minería de datos, la evaluación e interpretación de la precisión, y finalmente la aplicación y el uso. Figura 2. Esquema general del proceso de extracción del conocimiento 3.1. Recopilación de datos Para la recopilación de datos del volante de inercia, se empleó un modelo mecatrónico sofisticado utilizando LABVIEW. Este software se configuró para capturar datos relevantes del volante, diseñando módulos específicos para medir la velocidad angular y la potencia en tiempo real. El objetivo principal fue regular la velocidad angular del volante para que generara o consumiera la potencia requerida, implementando algoritmos de control que ajustaban dinámicamente la velocidad según las condiciones operativas. Esto permitió simular diversas condiciones de carga y descarga, garantizando la representatividad de los datos. Una vez recopilados, los datos de velocidad angular y potencia se almacenaron para su posterior análisis, permitiendo interpretar el comportamiento del volante y calcular con precisión las pérdidas del sistema. 3.2. Selección y limpieza de datos Tras recoger los datos del volante de inercia, se generaron ficheros con las combinaciones posibles de velocidades angulares ensayadas. El siguiente paso fue seleccionar y limpiar estos datos para asegurar su calidad y relevancia en el cálculo de las pérdidas del volante de inercia. Para la selección de datos, se escogieron los intervalos correspondientes a la velocidad angular inicial del volante, es decir, antes de cualquier cambio a otra velocidad angular. Esto permite centrarse en las condiciones iniciales del sistema, fundamentales para establecer una línea base precisa para el cálculo de las pérdidas. La selección se realizó meticulosamente para capturar el comportamiento real del volante bajo condiciones estables. Con los datos seleccionados, se llevó a cabo un proceso de limpieza exhaustivo utilizando MATLAB R2024a. Se aplicaron métodos de filtrado para suavizar las señales y eliminar el ruido de alta frecuencia, asegurando que las mediciones fueran representativas del comportamiento real del volante. Se identificaron y eliminaron datos atípicos que podrían distorsionar el análisis. Finalmente, los datos se normalizaron para garantizar que todas las variables estuvieran en una escala comparable. Este proceso de limpieza y filtrado fue fundamental para obtener un conjunto de datos de alta calidad, libre de ruido y preparado para el análisis detallado. Esto asegura que los cálculos de las pérdidas del volante de inercia se basen en datos fiables y representativos, garantizando la validez de los resultados. 3.3. Minería de datos En esta fase del proyecto, se realizó la minería de datos con el objetivo de obtener el coeficiente de pérdidas del volante de inercia. Este coeficiente se determina a partir de los datos de potencia y velocidad angular del volante, los cuales se utilizan para calcular el par y posteriormente realizar una regresión lineal. La minería de datos en este proyecto se basa en la aplicación de principios fundamentales de la física para obtener el coeficiente de pérdidas del volante de inercia. Un punto de partida crucial es la ecuación 1 que gobierna el comportamiento dinámico del sistema rotativo: 𝐼𝑑𝜔 𝑑𝑡 +γ𝜔 = 𝑇 (1) Esta ecuación representa una manifestación de la segunda ley de Newton para sistemas rotativos. En ella, I es el momento de inercia del volante, 𝑑𝑤 𝑑𝑡 es la aceleración angular, γ es el coeficiente de fricción, ω es la velocidad angular, y T es el par aplicado al volante de inercia. Esta ecuación encapsula la esencia del comportamiento del sistema, donde la suma de los momentos aplicados es igual al momento de inercia multiplicado por la aceleración angular, más el producto del coeficiente de fricción por la velocidad angular. Es esencial comprender que el coeficiente γ representa las pérdidas en el sistema, como la fricción interna y otras resistencias. La constante de inercia (I) del volante de inercia se calcula mediante la ecuación 2: 𝐼 = 1 2·𝑚𝑎𝑠𝑎·𝑅2 (2) donde se debe de tener en cuenta la masa, el momento de inercia (𝐼) y el radio R (225 mm) del volante de inercia. La ecuación 3 sirve para determinar la masa del volante: 𝑚𝑎𝑠𝑎 =𝑉·𝜌 =0,0127 𝑚3·7850 𝑘𝑔/𝑚3 = 99,695 𝑘𝑔 (3) ▪ρ es la densidad del acero (aprox. 7850 kg/m³) ▪V es el volumen (0,0127 m3). Por lo que, resolviendo la ecuación 4, se obtiene así el siguiente momento de inercia: 𝐼 =1 2· 𝑚𝑎𝑠𝑎· 𝑅2 =1 2·99,6950 𝑘𝑔· 0,2252 = 2,5235 𝑘𝑔·𝑚2 (4) 71 Douairi, H. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos El primer paso en la minería de datos fue utilizar las mediciones de potencia y velocidad angular para calcular el par. La relación entre la potencia (P), el par (T) y la velocidad angular (ω) se expresa mediante la ecuación 5: 𝑃 =𝑇 ×𝜔 (5) Reordenando la ecuación 5, se puede obtener la ecuación 6 y resolver el par como: 𝑇 =𝑃/𝜔 (6) Con los valores de par y velocidad angular calculados, el siguiente paso fue aplicar una regresión lineal para obtener el coeficiente de pérdidas del volante de inercia. Para entender esto mejor, primero simplificamos la ecuación 1. Consideramos el caso en el que no hay aceleración angular, es decir, la velocidad angular (ω) es constante y la aceleración angular (dω/dt) es cero. Por lo tanto, cuando dω/dt =0, la ecuación 1 se reduce a la ecuación 7: 𝑇=𝛾𝜔 (7) Esta expresión revela una relación lineal entre el par y la velocidad angular, donde el coeficiente "𝛾" representa las pérdidas del sistema. Sin embargo, para obtener este coeficiente con precisión, es esencial asegurarse de que la gráfica de T en función de ω pase por el origen. Esto significa que cuando la velocidad angular es cero, el par aplicado al volante de inercia también lo es. Esta condición inicial es crucial, ya que nos permite determinar el coeficiente de pérdidas directamente de la pendiente de la gráfica. Esencialmente, el coeficiente de pérdidas se interpreta como la pendiente de esta relación lineal entre el par y la velocidad angular. Aquí es donde entra en juego la regresión lineal. Esta técnica estadística permite modelar la relación entre dos variables (en este caso, el par y la velocidad angular) mediante una línea recta que mejor se ajuste a los datos experimentales. Al ajustar esta línea, podemos determinar la pendiente, que representa el coeficiente de pérdidas del volante de inercia. La regresión lineal nos proporciona una herramienta poderosa para cuantificar y comprender las pérdidas en el sistema de forma precisa y basada en datos reales. 3.4. Evaluación e interpretación Para evaluar las estimaciones numéricas de los modelos propuestos, utilizamos las métricas de error absoluto medio (MAE), error porcentual absoluto medio (MAPE) y el coeficiente de determinación (R-cuadrado). El MAE se define por la siguiente ecuación 8, donde los valores estimados están representados por la letra “𝑒𝑖” y los valores observados por la letra “𝑜𝑖”. El MAE se expresa en las mismas unidades que los parámetros que compara (Carta, Cabrera, et al., 2015). 𝑀𝐴𝐸 =1 𝑛∑|𝑜𝑖−𝑒𝑖| 𝑛 𝑖=1 (8) El MAPE se define por la siguiente ecuación 9 y es una medida relativa que expresa el error como un porcentaje de los datos observados (Carta, Cabrera, et al., 2015). 𝑀𝐴𝑃𝐸 =100 𝑛∑|𝑜𝑖−𝑒𝑖 𝑜𝑖| 𝑛 𝑖=1 (9) El R-cuadrado se obtiene mediante la ecuación 10 y mide la proporción de la variación en la variable de respuesta (y) explicada por las variables independientes (x) (Lozano et al., 2020). 𝑅2=𝑆𝑆𝑅 𝑆𝑆𝑇 =1−𝑆𝑆𝐸 𝑆𝑆𝑇 (10) Siendo SSE la suma de los errores al cuadrado (Sum of Squared Errors), SSR la suma de las regresiones al cuadrado (Sum of Squared Regression), y SST es la suma total de los cuadrados (Sum of Squared Total). Estas métricas nos permiten evaluar de manera integral la precisión y calidad de los modelos propuestos, proporcionando una comprensión detallada de su rendimiento en comparación con los datos observados. 3.5. Aplicación y uso Una vez creado y validado el modelo de regresión lineal para predecir las pérdidas del volante de inercia, se procede a su integración en un sistema de gestión inteligente. El objetivo principal es emplear el modelo para mejorar la comprensión y optimización del sistema en futuras aplicaciones de Machine Learning. El modelo lineal desarrollado se utilizará para conocer y predecir las pérdidas del volante de inercia, lo que permite tener en cuenta estos factores en la gestión del sistema. En futuras aplicaciones, este conocimiento se integrará en algoritmos de Machine Learning que gestionarán de manera inteligente la velocidad angular del volante, respondiendo a las condiciones cambiantes del entorno operativo. La integración de este modelo permitirá al sistema ajustar de manera precisa la velocidad angular del volante de inercia en función de diversas variables operativas. Con esta información, el modelo predictivo estimará las pérdidas del volante de inercia y ajustará su velocidad angular para optimizar el rendimiento del sistema. Esta implementación no solo mejora la eficiencia del volante de inercia, sino que también facilita su integración en sistemas más complejos. Por ejemplo, en aplicaciones futuras, el sistema de almacenamiento de energía con el volante de inercia podría formar parte de una microrred eléctrica renovable generación eólica y una planta desaladora (Carta, González, et al., 2015). La gestión inteligente del volante de inercia aseguraría que la potencia requerida para el instante futuro se calcule adecuadamente, basándose en la diferencia entre la potencia generada por el aerogenerador y la potencia consumida por la planta desaladora (González et al., 2018). 4. Resultados y conclusiones El presente estudio se centró en la creación de un modelo lineal para predecir las pérdidas de un volante de inercia. Para ello, se recopilaron datos de la velocidad angular del volante y de la potencia, a partir de los cuales se calcularon el par y el coeficiente de pérdidas. Se generaron dos gráficas principales: una que muestra la relación entre el par y la velocidad angular, y otra que compara el par real con el par estimado. La Figura 3 revela una clara tendencia lineal positiva entre el par y la velocidad angular del volante de inercia. La ecuación 11 representa la regresión lineal obtenida: 𝑦=0.0044𝑥 (11) 72 Douairi, H. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos La ecuación anterior establece una relación matemática precisa entre ambas variables. La solidez del modelo lineal para explicar la variabilidad del par se ve respaldada por un elevado coeficiente de determinación 𝑅2 de 0.953, indicando que el 95.3% de los cambios en el par pueden ser explicados por la velocidad angular. Estos resultados confirman que el par generado por el volante de inercia aumenta de manera constante a medida que aumenta su velocidad angular. Este comportamiento se debe a la mayor inercia rotacional del volante a mayores velocidades, lo que requiere un mayor par para su aceleración o desaceleración. La alta correlación entre el par y la velocidad angular, junto con el elevado valor de 𝑅2, demuestran que el modelo lineal es una herramienta confiable para predecir el par a partir de la velocidad angular. Es importante destacar que el coeficiente de pérdidas obtenido, de 0.0044 Nm/(rad/s), indica la eficiencia del volante de inercia. Un coeficiente de pérdidas bajo, como en este caso, sugiere que el volante de inercia almacena energía de manera eficiente y la libera con poca pérdida durante su rotación La Figura 4 compara el par real con el par estimado a partir de la multiplicación de la velocidad angular por el coeficiente de pérdidas. Se observa una fuerte correlación entre ambas variables, con un coeficiente de determinación 𝑅2 de 0.9868. Esto indica que el 98.68% de la variabilidad del par real puede ser explicada por el modelo lineal. La precisión del modelo se verifica por el bajo error medio absoluto (MAE) de 0.115 Nm, el cual representa la diferencia promedio entre el par real y el par estimado. Figura 3. Relación entre el par y la velocidad angular del volante de inercia. Figura 4. Comparación entre el par real y el par estimado en un volante de inercia. 73 Chicaiza, W.D. et al. / XIX Simposio CEA de Control Inteligente. (2024) mayor seg´ un el error cometido. Eies el error medio de la fuente i,Ses el n´ umero de muestras, vkes el valor real en la muestra k, y vkes el valor predicho de las fuentes de datos en la muestra k. Ei=1 S∗ S X k=1 |vk−¯vk|(9) Una vez ordenadas todas las fuentes, se pasan al m´ odulo siguiente, que elige la mejor fuente de datos para cada intervalo de tiempo. Por ´ ultimo, una vez ordenadas todas las fuentes de datos de previsi´ on, se obtiene de esta lista la mejor disponible. Para ello, se solicitan al m´ odulo Call for APIs los datos actuales de velocidad del viento de todas las fuentes de previsi´ on, y una vez que los datos est´ an disponibles, se eligen los datos de la primera fuente que aparece en la lista ordenada. Esto significa que si s´ olo se pasa el nombre de la mejor fuente, y en alg´ un momento no est´ a disponible, el m´ etodo se ejecuta igualmente. Una vez generada la previsi´ on, se env´ ıa al modelo neuroborroso para predecir la potencia producida por la turbina e´ olica. Si no se hubiera podido obtener la previsi´ on de ninguna fuente, el algoritmo habr´ ıa seleccionado la fuente con el error medio m´ as bajo de los 40 d´ ıas anteriores. Por ´ ultimo, la Figura 6 muestra un ejemplo de la predicci´ on de la velocidad del viento para un d´ ıa determinado. En ella, adem´ as de reflejar lo anterior, se pueden observar dos bandas: la azul representa el error medio obtenido para cada muestra durante el horizonte de an´ alisis, y la roja el error medio m´ aximo en cada instante obtenido en el mismo horizonte de 40 d´ ıas. Estas dos bandas se utilizar´ an para implementar en el futuro t´ ecnicas de control con incertidumbre en el MPC. Best Forecast Data for WindSpeed At 2023-12-27 gem global!1 Dec 27, 20:00 Dec 27, 22:00 Dec 28, 00:00 Dec 28, 02:00 Dec 28, 04:00 Dec 28, 06:00 Dec 28, 08:00 Dec 28, 10:00 Dec 28, 12:00 Dec 28, 14:00 Dec 28, 16:00 Dec 28, 18:00 Time (h) 2023 2 4 6 8 10 12 14 16 18 20 22 WindSpeed (m/s) Max limits Stochastic Limits Forecast Data Real Data gem global!1 gem seamless!1 METEireann gfs global!1 gfs seamless!1 meteofrance arpege europe!1 icon global!2 OpenMeteo!1 meteofrance arome france hd!1 meteofrance seamless!1 Figura 6: Ejemplo de previsi´ on meteorol´ ogica 5. Conclusiones y trabajos futuros En este trabajo se ha desarrollado un modelo de predicci´ on neuroborroso para un generador e´ olico. Este modelo ha sido validado con datos reales, mostrando un buen resultado en la predicci´ on de la din´ amica no lineal en todo el rango de operaci´ on del sistema. Adem´ as, se ha desarrollado un m´ etodo para seleccionar la mejor predicci´ on entre las diferentes predicciones disponibles. Este m´ etodo se ha desarrollado con la idea de que pueda ser llevado a producci´ on, por lo que se han implementado varias medidas sencillas para asegurar que el m´ etodo es robusto ante fallos que puedan ocurrir durante su ejecuci´ on. Como trabajo futuro, se propone utilizarlo para la implementaci´ on de t´ ecnicas de control ´ optimo con incertidumbre. Agradecimientos Los autores agradecen a la Comisi´ on Europea la financiaci´ on de este trabajo en el marco del proyecto DENiM. Este proyecto ha recibido financiaci´ on del programa de investigaci´ on e innovaci´ on Horizonte 2020 de la Uni´ on Europea bajo el acuerdo de subvenci´ on nº 958339. Adem´ as, este trabajo tambi´ en ha sido financiado por PID2022-142069OB-I00/AEI/10.13039/ 501100011033/FEDER, UE a por la Junta de Andaluc´ ıa (Consejer´ ıa de Transformaci´ on Econ´ omica, Industria, Conocimiento y Universidades) por la la ayuda de investigaci´ on Laboratorio de Ingenier´ ıa para la Sostenibilidad Energ´ etica y Medioambiental .ENGREEN”, referencia QUAL21 006 USE The authors thank to the European Commission for funding this work under project DENiM. This project has received funding from the European Union’s Horizon 2020 research and innovation programme under grant agreement No. 958339. In addition, this work has also been funded by PID2022-142069OBI00/AEI/10.13039/501100011033/FEDER, UE and by the Junta de Andaluc´ ıa (Consejer´ ıa de Transformaci´ on Econ´ omica, Industria, Conocimiento y Universidades) through the research grant Laboratorio de Ingenier´ ıa para la Sostenibilidad Energ´ etica y Medioambiental .ENGREEN”, reference QUAL21 006 USE. Referencias Chicaiza, W. D., Machado, D. O., Len, A. J. G., Gonzalez, J. M. E., Alba, C. B., de Andrade, G. A., Normey-Rico, J. E., 2022. Neuro-fuzzy digital twin of a high temperature generator. IFAC-PapersOnLine 55 (9), 466–471, 11th IFAC Symposium on Control of Power and Energy Systems CPES 2022. DOI: https://doi.org/10.1016/j.ifacol.2022.07.081 Ghosh, A., Chakraborty, M., 2012. Hybrid optimized back propagation learning algorithm for multi-layer perceptron. International Journal of Computer Applications 57. G´ omez, J., Chicaiza, W. D., Esca˜ no, J. M., Bordons, C., 2023. A renewable energy optimisation approach with production planning for a real industrial process: An application of genetic algorithms. Renewable Energy 215, 118933. DOI: https://doi.org/10.1016/j.renene.2023.118933 Jang, J.-S., 1993. Anfis: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics 23 (3), 665–685. DOI: 10.1109/21.256541 Jollife, I. T., Cadima, J., 4 2016. Principal component analysis: a review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences 374. DOI: 10.1098/RSTA.2015.0202 Takagi, T., Sugeno, M., 1 1985. Fuzzy identification of systems and its applications to modeling and control. IEEE transactions on systems, man, and cybernetics SMC-15 (1), 116–132. URL: https://doi.org/10.1109/tsmc.1985.6313399 DOI: 10.1109/tsmc.1985.6313399 Zhong, Z., 2020. Modeling, Control, Estimation, and Optimization for Microgrids: A Fuzzy-Model-Based Method. CRC Press, New York, NY. 80 XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos ____________________ *Corresponding author: [email protected]; [email protected] Attribution-Non Commercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) Integration of artificial intelligence with automation for predictive maintenance in sustainable hydrogen production plants Abiola, A O.*, Segura, F M.*, Andújar, J M., Barragán, A. J. Research Centre on Technology, Energy and Sustainability (CITES), University of Huelva, 21071 Huelva, Spain. Abstract Automation in modern industries is possible with the aid of sensors that measure signals needed for control, fault detection and decision making about a process. Such decisions include the time to perform predictive maintenance which is not possible when there is a failure in one of the sensors. Artificial intelligence techniques can be used to detect faults in a sensor and predict what its correct reading should be using signals from other sensors involved in the process. For accurate prediction, a signal from an alternative sensor, or a combination of signals from different sensors, should be selected that has a strong correlation with the signal to be predicted. In this study, to demonstrate the application of artificial intelligence in automation, an electrolyser operating in an automated process has been considered. A Deep Reinforcement Learning (DRL) algorithm was developed to select the best signal among others with the highest correlation coefficient of 0.99. The selected signal was then used in a long short-term memory (LSTM) to predict faulty temperature signals in the electrolyser. The root-mean-square error (RMSE) of the predicted signal was 0.1351. Keywords: Automation, hydrogen technology; PEM electrolyser; predictive maintenance; artificial intelligence; reinforcement learning; neural network; long short-term memory (LSTM). 1. Introduction Automation was first described in 1947 by Ford Motor Company as the enhanced usage of electromechanical, hydraulic, and pneumatic machinery in an attempt to reduce labour in the manufacturing sector (Noble, 1984). In the paper by Sundari et al., (2021) it was concluded that automation is made possible through sensors, controllers, data storage and communications. The quality, production rate and customer satisfaction are enhanced through the realization of such automation process. These benefits of automation can further be enhanced by integration with artificial intelligence (AI), which is a form of digital technology that gives machines the ability to do what humans were normally doing such as making predictions and decisions (Spencer et al., 2021). In the paper, the author indicated that AI-enabled digital automation is growing to such a degree that data-based intelligent systems are re-organising and coordinating the whole sectors of the economy. Integration of automation with AI can be applied to various sectors of the economy such as manufacturing industries, agriculture, energy generation, healthcare, and many more. However, such integration is still new as indicated in a paper by (Zheng, 2023) who studied the application of AI in electrical automation and control engineering. In this present study, the integration of automation and AI is further investigated within the field of renewable energy (RE) systems with a focus on proton exchange membrane (PEM) electrolyser. We conducted a search through selected databases namely ScienceDirect, MDPI and IEEE from 2001 to 2023. Keywords used were automation, control, sensors, AI and RE. Logical operators such as “OR”, “AND” as well as wildcard operator (*) were used to narrow the search and the results shown in Figure 1. Figure 1: Analysis of publications on automation, artificial intelligence and application to renewable energy from 2001 to 2023 in the present work. To cite this article: Abiola, A O., et al. 2024. Integration of artificial intelligence with automation for predictive maintenance in sustainable hydrogen production plants. XIX Simposio CEA de Control Inteligente (2024) 81 Abiola et al / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos The results of the database investigated, show that studies on the topic of automation have progressively increased over the years reaching as much as 141,982 publications in 2023, while those on the integration of automation with AI were initially slow in progression until 2017 when a spike occurred in number of academic works. However, when the application of these integrated technologies (automation and AI) was considered within the field of RE, it was observed that there is very limited number of studies done. Therefore, this study seeks to contribute to the body of knowledge on the integration of AI with automation and its application in the field of RE considering a PEM electrolyser as study case. 1.1 Application of artificial intelligence to electrolysers In a paper by (Vasseur and Dunkels, 2010) one of the benefits of automation is for condition monitoring. This concept can be applied together with AI for the maintenance of electrolysers which are used within the field of RE technology to produce hydrogen. Rey et al. (2023) indicated that operation and maintenance cost is repeated along the lifespan of hydrogen-based microgrids and affect the replacement costs. Electrolysers used in such system can only function effectively to produce hydrogen at the desired parameters if its components do not fail during the period of operation. Failures can be avoided if they are detected early and resolved. To achieve this, there is a need to define an appropriate maintenance strategy. Predictive maintenance is one of such solution, but it often relies on data from sensors embedded in electrolysers which can also become faulty, resulting into false prediction of potential faults. Consequently, maintenance will not be performed at the right time and failure will occur. To address this problem, AI concept can be applied to make predictions on sensor readings based on data obtained from another instrument within the process. In this paper, authors develop a novel algorithm using Deep Reinforcement Learning (DRL) to select best feature(s) among measured data of the electrolyser, which can best predict on the target sensor data for predictive maintenance. The features are used as input into a type of deep neural network called long short-term memory (LSTM) to make prediction. This is depicted in Figure 2. Figure 2: Illustration of problem statement and focus of the paper. 1.2 Previous works on intelligent condition monitoring Regarding the scientific literature, very few authors focus their work on addressing the problem of maintenance in PEM electrolysers using AI. For example, Kumar et al. (2021) propose an artificial neural network based on LSTM capable of detecting and localizing faults at every time step without any pre-processing. But the artificial intelligence-based faults detection system is only applied to the power electronics of the electrolyser. Mohamed et al. (2022) used machine learning to predict up to eleven different parameters of the electrolytic cell using only four input parameters. Lee et al. (2023) presents a prognostics and health management (PHM) model based on machine learning to predict the load voltage of the electrolyser for the state of health information. The voltage is used as a state of health indicator which increases according to the time elapsed, and it is caused by the degradation of the electrolyser. 2. Materials and Method In this paper, an intelligent predictive maintenance model is developed to predict sensor data in an PEM electrolyser for condition monitoring of the process and fault prediction. The model takes input data from other sensor(s) to be used for predicting a desired output. Hydrogen temperature is one of such desired data based on its importance in PEM electrolysers as discussed in (Chandesris et al., 2015). In the experimental study, results show that membrane degradation is strongly influenced by temperature. Hence, considering the importance of temperature in the degradation of an electrolyser, this work uses hydrogen temperature as the sensor data to be predicted. With the predicted data, an intelligent predictive model allows monitoring and detection of any worsening condition. 2.1. Study case of a PEM electrolyser within an automated process Experimental data from a previous work (Mancera et al., 2020), is used for the demonstration of the integration of AI with automation, focusing on a PEM electrolyser operating within a process. Layout of a section of the process is shown in Figure 3. From Figure 3, the sensor data used for the current study are from the hydrogen pressure transmitter (PT112), hydrogen temperature transmitter (TT121), stack voltage (V) and cooling water temperature transmitter (TT105). Other resource needed is a computer equipped with an Intel(R) Core (TM) i58250U CPU @ 1.60GHz 1.80 GHz, 8.00 GB memory, 64-bit, x64-based processor. The operating system is Windows 11 Enterprise while software considered is MATLAB®. 82 Abiola et al / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos Figure 3: Layout of the automated process involving a PEM electrolyser. (Sensor data used for this study are highlighted as dashed squares). 2.2. Method. Phase 1. Pre-processing of input data Sensor data is pre-processed by normalizing the experimental dataset to ensure that one feature does not affect the contribution of the other in the artificial intelligent models to be developed (Hudson et al., 2023). Normalizing can be done in several ways. One alternative consists of ensuring that the range of all the features (data) are within 0 to 1. In another form called z-scoring, the input data are pre-processed using (1) where the data have a mean of 0 and standard a deviation of 1. For this study, z-scoring is used as shown in Figure 4, considering that it helps to stabilize and speed up network training (Hudson et al., 2023). 𝑧𝑆𝑐𝑜𝑟𝑖𝑛𝑔 = 𝑆𝑒𝑛𝑠𝑜𝑟 𝐷𝑎𝑡𝑎(𝑓𝑒𝑎𝑡𝑢𝑟𝑒) −𝑀𝑒𝑎𝑛 𝑆𝑡𝑎𝑛𝑑𝑎𝑟𝑑 𝑑𝑒𝑣𝑖𝑎𝑡𝑖𝑜𝑛 (1) Figure 4: Normalised sensor data 2.3. Method. Phase 2: DRL for selecting features. After pre-processing the data, a novel algorithm is developed based on DRL to select among the various sensor data, the one that has the greatest correlation to hydrogen temperature sensor (TT121) which is to be predicted with minimum root-mean-squared-error (RMSE). DRL is a subcategory of reinforcement learning within the parent body of AI (MathWorks®, 2019). The structure of the DRL algorithm is shown in Figure 5. Figure 5: The concept of Deep Reinforcement Learning (DRL) In the DRL model, an intelligent agent takes actions among several options to achieve an intended objective which is defined within the memory of the agent. The objective in this case is to determine which sensor data has the highest correlation to the hydrogen temperature. The actions available to the agent are the selection of various sensor data called features, while the reward is a defined scalar amount added each time the agent chooses a feature that is more correlated to the hydrogen temperature compared to a previous selection. If a new action taken (selection) has less correlation compared to the previous, then the agent loses the reward. Before the agent begins the process of taking actions, it is first trained to identify increased or reduced correlation. An RMSE is the feedback to the agent, and it is calculated for each iteration using an internal neural network within the agent to determine the correlation values of each feature. The feedback of observations is used by the reinforcement learning policy within the agent to adjust the action and get the desired objective. For the DRL agent, the entire feature set that can be selected to measure the correlation to the hydrogen temperature includes individual sensor data or a combination of two or more as follows: [PT112], [TT105], [V], [PT112 TT105], [PT112 V], [TT105 V] and [PT112 TT105 V]. When the agent finally determines which sensor data has the highest correlation to the hydrogen temperature, the data from the sensor will then be used as input to another AI model called long short-term memory (LSTM) neural network, which will eventually be used for predicting the hydrogen temperature in case its sensor fails during electrolyser operation; the concept of LSTM is discussed in section 2.5. Hence two AI models (DRL and LSTM) are developed and used together to predict the hydrogen temperature in the event of failure of its sensor. Without the DRL it will be tedious and time-consuming to take each sensor data (feature), feed into the LSTM model and check the root-mean-square error (RMSE). This manual approach can be further complicated with features that number in the tens, hundreds or more from the dataset of electrolysers. 83 Abiola et al / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 2.4. Method. Phase 3. Authors approach: DRL-based algorithm for feature selection A novel DRL algorithm has been developed and implemented in MATLAB for feature selection as follows: Step 1 Input data consisting of features: Pressure [PT112], Cooling water temperature [TT105], stack Voltage [V] and Hydrogen temperature [TT121]. Step 2 Normalize each feature using: z-scoring. Step 3 Create the system of observation: RMSE Step 4 Obtain the matrix consisting of the subset of features. Subset 1= [PT112]; Subset 2 = [TT105], Subset 3 = [V]; Subset 4 = [PT112, TT105], Subset 5 = [PT112, V]; Subset 6 = [TT105, V]; Subset 7 = [PT112, V, TT105]. Step 5 For feature subset having two or more sensor data, obtain a single representation by computing the average. Step 6 Create DRL environment with observations and actions Step 7 Create a policy for the DRL agent to decide actions Step 8 Define discrete actions for the DRL agent. Each action is denoted by a scalar value (1 to 7) and represents the selection of each feature from the set of 7. Step 9 Define the reward for the agent for correct actions. Reward = 2 for correct; and -1 for incorrect actions Step 10 Train the DRL agent Step 11 For each stochastic action, RMSE is calculated as observations for each action. If (RMSEnew <RMSEold) and (Reward>0), then Store feature selected by the agent. Else Take action to select another feature from the subset. Endif The parameters used to train the DRL agent are listed in the Table 1. These were the optimal values that enabled the agent to be trained for recognizing its environment and take actions. Table 1: Parameters used to train the DRL agent. DRL Model Component Type Training Parameter Value DRL Agent policy Deep QNetwork (MathWorks Inc, 2019) Learning Rate Number of hidden layers Discount factor Batch size Initial epsilon Epsilon decay Epsilon min Number of Training episodes 0.01 128 0.99 64 1 0.005 0.01 50 Environment Observation type Observation dimension Action Type Actions Observation Lower Limit Observation Upper Limit Continuous [3,1] Discrete [1,2,3,4,5,6,7] [-inf, -inf, 0] [inf, inf, inf] The DRL algorithm has been developed using Simulink programming interface in MATLAB and shown in Figure 6. The training parameters were input into the DRL agent as well. After iterations, the feature with least RMSE was selected by the agent; which is the feature with highest correlation with TT121. Figure 6: MATLAB programming environment for the developed DRL algorithm 2.5. Method Phase 4. Development of an intelligent predictive model for maintenance of the PEM electrolyser After the DRL model has selected the feature with the highest correlation to the hydrogen temperature (TT121), the dataset of this feature is used to train another deep neural network called long-short-term-memory (LSTM) in Figure 7. After training the LSTM model, it can be used to predict the hydrogen temperature for maintenance in the event of failure of the existing sensor. The concept of LSTM was introduced by (Hochreiter and Schmidhuber, 1997). LSTM neural networks belong to a type of recurrent neural network (RNN) which itself is a subcategory under deep neural network (DNN). The DNN is a type of supervised learning under machine learning and artificial intelligence concepts. 84 Abiola et al / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos Figure 7: Conceptual design of LSTM neural network LSTM neural network is configured from three gates where it can store both present and historical information after it has been trained with input data. The governing equations are: 𝐹𝑜𝑟𝑔𝑒𝑡 𝐺𝑎𝑡𝑒: 𝑓𝑡= 𝜎(𝑊 𝑓.[ℎ𝑡−1,𝑥𝑡] + 𝑏𝑓) (2) 𝐼𝑛𝑝𝑢𝑡 𝐺𝑎𝑡𝑒: 𝑖𝑡= 𝜎(𝑊𝑖.[ℎ𝑡−1,𝑥𝑡] + 𝑏𝑖) (3) 𝑂𝑢𝑡𝑝𝑢𝑡 𝐺𝑎𝑡𝑒: 𝑂𝑡= 𝜎(𝑊 𝑜.[ℎ𝑡−1,𝑥𝑡] + 𝑏𝑜) (4) 𝐶𝑎𝑛𝑑𝑖𝑑𝑎𝑡𝑒 𝑣𝑎𝑙𝑣𝑒 𝐶′𝑡= tanh(𝑊 𝑐.[ℎ𝑡−1,𝑥𝑡] + 𝑏𝑐) (5) 𝐶𝑒𝑙𝑙 𝑆𝑡𝑎𝑡𝑒: 𝐶𝑡= 𝑓𝑡 ∗ 𝐶𝑡−1 + 𝑖𝑡∗ 𝐶′𝑡 (6) 𝐻𝑖𝑑𝑑𝑒𝑛 𝑆𝑡𝑎𝑡𝑒: ℎ𝑡= 𝜎𝑡∗ tanh(𝐶𝑡) (7) Where t is the time step, b is a bias added for each gate. 𝑊 𝑓 , 𝑊𝑖 and 𝑊 𝑜 are the weight of each gate. ht and ht-1, are the output for the hidden layers in time steps t and t-1 respectively. xt, is the input at time t and σ is the sigmoid activation function. Based on these equations, an LSTM neural network was designed in MATLAB as shown in Figure 8. Figure 8: Conceptual design of LSTM neural network. The flow chart of the entire process to deploy AI technique for the electrolyser is shown in Figure 9. Figure 9: Flow chart for implementing intelligent maintenance in PEM electrolyser. The physical implementation of the AI model designed for the electrolyser is shown Figure 10. Figure 10: Overview for the entire system for the intelligent maintenance 3. Results 3.1. Results of feature selection by the novel DRL algorithm. Figure 11 shows a plot of the agent’s action to select features, observations (RMSE) and reward received for each action. It is important to note that there is a time-step difference between the instant when the agent takes actions and when observations are made. The feature with highest correlation to TT121 is feature 2(TT105). 85 Abiola et al / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos Figure 11: Plot of DRL model showing agent actions, RMSE and rewards. Validation of the selection by the DRL is done using a correlation plot (Guyon and Elisseeff, 2003) between the various sensor data as shown in Figure 12 which confirms that TT105 has the highest correlation to TT121 with value of 0.99. Figure 12: Correlation coefficient between various electrolyser data. 3.2. Training and testing of the LSTM neural network. TT105 is used as input data and is divided into training (90%) and testing (10%) sets. There are several parameters that can influence the accuracy of the LSTM during training; to study them, a parametric analysis is performed as shown in Figure 13. Figure 13: Optimisation of parameters to reduce RMSE during training of the LSTM. The effect of variation in (a) Dropout factor; (b) Number of layers; (c) Number of Epoch and (d) Gradient Threshold on the RMSE, are shown. An optimum parameter set which gave an RMSE of 0.09 during training and 0.1351 during test is shown in Table 2. Table 2: Parameters used to train the LSTM. Training Parameter Value Training RMSE (LSTM) Testing RMSE (Predicted variable TT121). Learning Rate Number of layers Epoch Gradient Threshold Dropout 0.1 40 400 1 None (0) 0.09 0.1351 The trained LSTM network was tested by using it to predict the electrolyser hydrogen temperature (TT121). Figure 14 shows a plot of the actual and predicted sensor data. Figure 14: Plot showing actual and predicted hydrogen temperature (TT121). 3.3. Accuracy validation and comparison with related papers. Table 3 compares the authors' proposal with other proposals found in the literature in terms of RMSE. Table 3: Comparison of testing RMSE with other papers Study Method Used Testing RMSE Authors’ proposal Hybrid of deep reinforcement learning (DRL) and long-shortterm memory (LSTM) 0.1351 (Siraskar et al., 2023) Reinforcement Learning hybridised with LSTM 0.5196* Duhirwe et al., 2023 Hybrid of DRL with extreme gradient boosting 4.008 Pannakkong et al., 2023 Reinforcement Learning based on Double DQN 0.3956* *RMSE is obtained from: √𝑚𝑒𝑎𝑛 𝑠𝑞𝑢𝑎𝑟𝑒𝑑 𝑒𝑟𝑟𝑜𝑟(𝑀𝑆𝐸) 4. Discussion The developed AI model (novel DRL algorithm and LSTM) have been able to select the cooling water temperature sensor (TT105) as the best feature with the highest correlation (0.99) to the hydrogen temperature sensor (TT121). This is shown in Figures 11 and 12. The DRL algorithm saves computation time 86 Abiola et al / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos since it uses a small sample of data for feature selection and also a single representation of features having multiple sensor data as indicated in step 5 of section 2.4. Hence it can be extended for cases with tens or hundreds of sensor data. Furthermore, the LSTM was able to use the cooling water temperature of the PEM electrolyser to predict the hydrogen temperature with an RMSE value of 0.1351 which is good compared to other papers shown in Table 5. A limitation of the AI model is that it needs to be re-trained to adapt to a different hydrogen system, such as an alkaline electrolyser or fuel cell with different physical phenomena. 5. Conclusions This proposal shows that integration of AI with automation can indeed be beneficial in various fields such as in RE technologies. A case study was demonstrated with a PEM electrolyser in which a hybridized AI model (DRL & LSTM) was integrated within an automated process for condition monitoring and forecasting critical process data (hydrogen temperature) for use in predictive maintenance of the system. Due to the limitation discussed in the previous section as regards the need to retrain the AI model for a different hydrogen system, further work is needed to develop models that can be adapted to these changes. Acknowledgement This work has been partially carried out thanks to the support of (1) Grant Ref: PID2020-116616RB-C31 and (2) Grant Ref. RED2022-134588-T found by MICIU/AEI /10.13039/501100011033. References Chandesris, M., Médeau, V., Guillet, N., Chelghoum, S., Thoby, D., Fouda-Onana, F., 2015. Membrane degradation in PEM water electrolyser. International Journal of Hydrogen Energy 40, 1353–1366. https://doi.org/10.1016/j.ijhydene.2014.11.111 Duhirwe, P.N., Ngarambe, J., Yun, G.Y., 2023. Energyefficient virtual sensor-based deep reinforcement learning control of indoor CO2 in a kindergarten. Frontiers of Architectural Research 12, 394–409. https://doi.org/10.1016/j.foar.2022.10.003 Guyon, I., Elisseeff, A., 2003. An Introduction to Variable and Feature Selection. Journal of Machine Learning Research 3, 1157–1182. Hochreiter, S., Schmidhuber, J., 1997. Long Short-Term Memory. Neural Computation 9, 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 Hudson, M., Martin, B., Hagan, T., Demuth, H.B., 2023. Deep Learning ToolboxTM User’s Guide. MathWorks Inc, Natick, Massachusetts. Kumar, R., Kumar, S., Cirrincione, G., Cirrincione, M., Guilbert, D., Ram, K., Mohammadi, A., 2021. Power Switch Open-Circuit Fault-Diagnosis Based on a Shallow Long-Short Term Memory Neural Network. Energy Conversion Congress and Exposition. Institute of Electrical and Electronics Engineers Inc., 483–488. https://doi.org/10.1109/ECCE47101.2021.9595018 Lee, H., Gu, J., Lee, B., Cho, H.-S., Lim, H., 2023. Prognostics and health management of alkaline water electrolyser. Energy and AI 13, 100251. https://doi.org/10.1016/j.egyai.2023.100251 Mancera, J.J.C., Manzano, F.S., Andújar, J.M., Vivas, F.J., Calderón, A.J., 2020. An optimized balance of plant for a medium-size PEM electrolyser. Electronics 9. https://doi.org/10.3390/electronics9050871 MathWorks Inc, 2019. Reinforcement Learning ToolboxTM User’s Guide R2023a. MathWorks Inc, Natick, Massachusetts. Mohamed, A., Ibrahem, H., Yang, R., Kim, K., 2022. Optimization of Proton Exchange Membrane Electrolyser Cell Design Using Machine Learning. Energies 15. https://doi.org/10.3390/en15186657 Noble, D., 1984. Forces of Production: A Social History of Industrial Automation. Knopf, New York. Pannakkong, W., Vinh, V.T., Tuyen, N.N.M., Buddhakulsomsiri, J., 2023. A Reinforcement Learning Approach for Ensemble Machine Learning Models in Peak Electricity Forecasting. Energies 16. https://doi.org/10.3390/en16135099 Rey, J., Segura, F., Andújar, J.M., Ferrario, A.M., 2023. The Economic Impact and Carbon Footprint Dependence of Energy Management Strategies in Hydrogen-Based Microgrids. Electronics 12. https://doi.org/10.3390/electronics12173703 Siraskar, R., Kumar, S., Patil, S., Bongale, A., Kotecha, K., 2023. Reinforcement learning for predictive maintenance. Artificial Intelligence Review. https://doi.org/10.1007/s10462-023-10468-6 Spencer, D., Cole, M., Joyce, S., Whittaker, X., Stuart, M., 2021. Digital automation and the future of work. European Union, Brussels. Sundari, V.K., Nithyashri, J., Kuzhaloli, S., Subburaj, J., Vijayakumar, P., Jose, P.S.H., 2021. Comparison analysis of IoT based industrial automation and improvement of different processes - Review. Materials Today: Proceedings. Elsevier Ltd, 2595–2598. https://doi.org/10.1016/j.matpr.2020.11.338 Vasseur, J.-P., Dunkels, A., 2010. Industrial Automation. Interconnecting Smart Objects with IP. Elsevier, 325– 333. https://doi.org/10.1016/B978-0-12-3751652.00021-1 Zheng, W., 2023. Research on the Application of Intelligent Technology in Electrical Automatic Control Engineering. 4th International Conference for Emerging Technology. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/INCET57972.2023.10169979 87 XIX Simposio CEA de Control Inteligente 19-21 de junio de 2024, Burgos ____________________ *Autor para correspondencia: jamen[email protected] Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) Hacia la gestión de comunidades energéticas con Aprendizaje por Refuerzo Arnay del Arco, R. a, Riverón-Miranda, I.a, Hamilton-Castro, A. a, Torres-Álvarez, S. a, González-Cava, J.M.a, Castilla, I. a, González Díaz, B.b, Méndez-Pérez, J.A.a, *. a Departamento de Ingeniería Informática y de Sistemas, Universidad de La Laguna, Avda. Astrof. Francisco Sánchez, S/N, 38206, La Laguna, Tenerife, España. b Departamento de Ingeniería Industrial, Universidad de La Laguna, Avda. Astrof. Francisco Sánchez, S/N, 38206, La Laguna, Tenerife, España. Resumen En este documento se presenta el diseño de un trabajo en curso para la implementación de un sistema para la gestión de energía en comunidades energéticas. La gestión de estos sistemas tiene una complejidad extraordinariamente elevada que ha sido generalmente resuelta con sistemas basados en reglas o con métodos de programación lineal entera mixta (MILP). Sin embargo, una de las herramientas que surge con un alto potencial en este contexto son los métodos de aprendizaje por refuerzo (RL). La propuesta que se presenta aquí describe el diseño de un algoritmo Deep Q-Network (DQN) para la gestión de comunidades energéticas. Se presentan los elementos básicos que conforman la metodología que se seguirá, tanto la definición del estado como las acciones y la función de valor-acción. Palabras clave: Sistemas de energía, Comunidad energética, EMS, Aprendizaje por refuerzo, BMS. Towards the management of energy communities with Reinforcement Learning Abstract This paper presents the design of an ongoing work for the implementation of a system for energy management in energy communities. The management of these systems is extraordinarily complex, which has generally been solved with rule-based systems or MILP optimization methods. However, one of the tools that emerges with high potential in this context is reinforcement learning (RL) methodology. The proposal presented here describes the design of a Deep Q-Network (DQN) algorithm for the management of energy communities. The basic elements that define the methodology to be followed are presented, both the definition of the state, the actions, and the value-action function. Keywords: Energy systems, Energy community, EMS, Reinforcement learning, BMS. 1. Introducción Las comunidades energéticas se han convertido en actores clave en la transición energética hacia un modelo más sostenible. Estas agrupaciones de ciudadanos, empresas y entidades locales se unen para gestionar de forma conjunta la producción, el consumo y la distribución de energía renovable en su entorno (Figura 1). La Ley 24/2013, de 26 de diciembre, del Sector Eléctrico en España define en su artículo 6 el concepto de comunidad energética. En (Barabino et al., 2023) se hace una revisión del estado del arte sobre Comunidades Energéticas con especial atención al modelado de los distintos elementos que las componen. En el trabajo se incluye también una descripción detallada de los modelos de negocio y las funciones objetivo implicadas. Los sistemas de almacenamiento de energía en baterías (BESS) son un componente clave para las comunidades energéticas, ya que permiten almacenar el excedente de energía renovable generado localmente y utilizarlo cuando sea necesario, mejorando así la autosuficiencia energética y la sostenibilidad de estas comunidades. La gestión eficiente de estos sistemas es crucial para maximizar sus beneficios y optimizar su funcionamiento. Las posibilidades de explotación de estos sistemas de almacenamiento se enfocan a la optimización del autoconsumo, el arbitraje energético (compra y venta de energía para maximizar los beneficios) y la provisión de servicios a la red. To cite this article: Arnay del Arco et al., 2024. Towards the management of energy communities with Reinforcement Learning. XIX Simposio CEA de Control Inteligente (2024) 89 fut(x,Pβ)=[fut 1(x,Pβ),fut 2(x,Pβ)] (11) Donde Pα={p1,p2, ..., p180}es el conjunto de modelos que describen el marco de incertidumbre global del sistema y Pβ={p0,p∗}es el conjunto formado por el modelo nominal (p0) y el modelo del peor caso (p∗) definido a partir de la aplicaci´ on de la etapa 3 de la metodolog´ ıa de modelado de la incertidumbre. Las formulaciones a), b) y c) est´ an sujetas a x≤x≤x, tales que: x=[−8,1,−8,1], x=[−0.1,120,−0.1,120]. 4. An´ alisis de resultados La optimizaci´ on de los problemas formulados en las ecuaciones (6)-(11), se han realizado con el algoritmo evMOGA (Herrero et al., 2009), aunque se podr´ ıa utilizar cualquier otro algoritmo de optimizaci´ on multiobjetivo. Tras finalizar el proceso de optimizaci´ on, se obtienen los conjuntos de Pareto siguientes: el conjunto de controladores XNom que optimiza la funci´ on f(x,p0), el conjunto XWc que minimiza el indicador fmax(x,Pα), y el conjunto XUt que minimiza el indicador fut(x,Pβ). El n´ umero de controladores que componen cada uno de estos conjuntos son: #XNom =31, #XWc =47 y #XUt =56. Para comparar el desempe˜ no ´ optimo y robusto de estos conjuntos de controladores, las figuras 4-5 muestran el an´ alisis con las funciones fut(x,Pβ),fmax(x,Pα)yf(x,p0)de los distintos conjuntos obtenidos. Figura 4: Desempe˜ no de los controladores XNom,XWc, y XUt bajo las funciones fut(x,Pα). fut(x,Pβ)eval´ ua el equilibrio de desempe˜ no entre el escenario nominal p0y el escenario del peor caso p∗. La figura 4 muestra que los controladores XUt (diamantes verdes) pertenecen al frente de optimizaci´ on fut(XUt,Pβ)definido a partir del concepto robusto ut´ opico. Con este mismo indicador, algunas soluciones x∈XNom (asteriscos rojos) y x∈XWc (cuadrados negros) representan controladores sub´ optimos y otros pertenecen al frente de optimizaci´ on. Esta figura resalta tres controladores de referencia: x3∈XUt (c´ ırculo verde s´ olido), x2∈XWc (c´ ırculo negro s´ olido) y x1∈XNom (c´ ırculo rojo s´ olido), el desempe˜ no de estos controladores se analiza a continuaci´ on. La figura 5 muestra el desempe˜ no de los conjuntos XUt , XWc yXNom en el espacio objetivo [ f1(x,p),f2(x,p)] bajo las funciones f(x,p0) (escenario nominal) y fmax(x,Pα)(peor caso en el modelo de incertidumbre). Las cruces y asteriscos rojos representan los controladores x∈XNom, los c´ ırculos y cuadrados negros indican los controladores x∈XWc, y los tri´ angulos y diamantes verdes representan los controladores x∈XUt. Figura 5: Desempe˜ no de los controladores XNom,XWc, y XUt bajo las funciones f(x,p0) y fmax(x,Pα). Esta figura evidencia el conflicto entre los controladores XNom, que busca el desempe˜ no ´ optimo en el escenario nominal p0, y los controladores XWc, que tienen como objetivo minimizar el indicador robusto Minmax f max(x,Pα) para el conjunto de de incertidumbre Pα. Figura 6: Respuesta del sistema obtenida con los controladores x1∈XNom (rojo), x2∈XWc (negro), y x3∈XUt (verde) para el modelo nominal p0. El conjunto de controladores XUt tiende a mostrar un equilibrio entre ambos indicadores de desempe˜ no. Hay soluciones x∈XNom yx∈XWc que tambi´ en pertenecen al frente de optimizaci´ on fut(XUt,Pβ) (que se muestra en la figura 4) ya que son multimodales. Soluciones x∈XUt que no pertenecen al frente fmax(XWc,Pα) o f(XNom,p0) presentan un mejor equilibrio entre desempe˜ no ´ optimo y robusto. En esta figura, los controladores de referencia x3∈XUt,x2∈XWc yx1∈XNom tambi´ en est´ an resaltados. Veyna, U. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 96 Figura 7: Envolvente para los ptos Pαde la respuesta del sistema obtenida con los controladores x1∈XNom (rojo), x2∈XWc (negro) y x3∈XUt (verde). Las l´ ıneas continuas indican l´ ımites superiores. Las l´ ıneas discontinuas indican l´ ımites inferiores. Para visualizar otra comparaci´ on entre la tendencia de desempe˜ no de los controladores XUt,XWc yXNom obtenidos de diferentes enfoques de optimizaci´ on, la figura 6 muestra la respuesta del sistema con los controladores de referencia resaltados antes x1∈XNom (rojo), x2∈XWc (negro), y x3∈XUt (verde) para el modelo nominal p0. Esta figura muestra nuevamente que el controlador x3∈XUt exhibe una respuesta del sistema con un desempe˜ no equilibrado con respecto a los controladores x1∈XNom yx2∈XWc para las salidas [Twout ,Twin ] y entradas [Twout ,Twin ]. Por otro lado, la figura 7 muestra la envolvente de respuestas del sistema para las salidas y entradas obtenidas al simular los controladores x3∈XUt (verde), x2∈XWc (negro) y x1∈XNom (rojo) con el conjunto de modelos de incertidumbre Pα. Las l´ ıneas continuas y discontinuas representan los l´ ımites superior e inferior de cada envolvente, respectivamente. Estos l´ ımites muestran la degradaci´ on del desempe˜ no de cada controlador bajo incertidumbre. El equilibrio del desempe˜ no en el espacio objetivo bajo los escenarios nominal y del peor caso involucrados en la definici´ on del conjunto XUt hace que la soluci´ on x3∈XUt muestre una tendencia a exhibir un rango de degradaci´ on (´ area delimitada por los l´ ımites superior e inferior verdes) con menor amplitud durante el tiempo de simulaci´ on. 5. Conclusiones Este art´ ıculo muestra el ajuste multiobjetivo de un sistema de control PID multibucle robusto. El proceso consiste en controlar las temperaturas de un sistema micro-CHP con pila de combustible tipo PEM. El sistema es complejo y se puede determinar el grado de incertidumbre en los par´ ametros de su modelo no-lineal. El ajuste se fundamenta en un adecuado modelado del conjunto de incertidumbres (suficientemente representativo pero con un n´ umero limitado de escenarios para su viabilidad computacional). Los resultados muestran que el indicador de eficiencia robusta ut´ opica resulta ser eficaz para ajustar los controladores con un equilibrio entre un desempe˜ no para el modelo nominal y robustez frente a las incertidumbres de los par´ ametros del modelo. Agradecimientos Este trabajo ha sido financiado en parte por el proyecto PID2021-124908NB-I00 MCIN/AEI/10.13039/50110001 1033/y por “FEDER Una forma de hacer Europa”; mediante subvenci´ on PRE2019-087579 financiada por MCIN/AEI/ 10.13039/501100 011033 y por “FSE Invirtiendo en tu futuro”; y por la Generalitat Valenciana a trav´ es del proyecto CIAICO/2021/064. Referencias Ellamla, H. R., Staffell, I., Bujlo, P., Pollet, B. G., Pasupathi, S., 2015. Current status of fuel cell based combined heat and power systems for residential sector. Journal of Power Sources 293, 312–328. Gaspar-Cunha, A., Covas, J. A., 2008. Robustness in multi-objective optimization using evolutionary algorithms. Computational optimization and applications 39, 75–96. Herrero, J. M., Garc´ ıa-Nieto, S., Blasco, X., Romero-Garc´ ıa, V., S´ anchezP´ erez, J. V., Garcia-Raffi, L., 2009. Optimization of sonic crystal attenuation properties by ev-moga multiobjective evolutionary algorithm. Structural and Multidisciplinary Optimization 39 (2), 203–215. Huang, L., Chen, J., Liu, Z., Becherif, M., 2018. Adaptive thermal control for pemfc systems with guaranteed performance. International Journal of Hydrogen Energy 43 (25), 11550–11558. Ide, J., Sch¨ obel, A., 2016. Robustness for uncertain multi-objective optimization: a survey and analysis of different concepts. OR spectrum 38 (1), 235– 271. Miettinen, K., 2012. Nonlinear multiobjective optimization (Vol. 12). Springer Science & Business Media. Navarro, S., Herrero, J. M., Blasco, X., Simarro, R., 01 2020. Design and experimental validation of the temperature control of a pemfc stack by applying multiobjective optimization. IEEE Access 8, 183324–183343. Navarro Gim´ enez, S., Herrero Dur´ a, J. M., Blasco Ferragud, F. X., Simarro Fern´ andez, R., 2019. Control-oriented modeling of the cooling process of a PEMFC-Based µ-CHP system. IEEE Access 7, 95620–95642. Paenke, I., Branke, J., Jin, Y., 2006. Efficient search for robust solutions by means of evolutionary algorithms and fitness approximation. IEEE Transactions on Evolutionary Computation 10 (4), 405–420. Pajares, A., Blasco, F. X., Herrero, J. M., Vicente Salcedo, J., 2020a. Analyzing the nearly optimal solutions in a multi-objective optimization approach for the multivariable nonlinear identification of a pem fuel cell cooling system. IEEE Access 8, 114361–114377. Pajares, A., Blasco, X., Herrero, J. M., Simarro, R., 2020b. Multivariable controller design for the cooling system of a pem fuel cell by considering nearly optimal solutions in a multiobjective optimization approach. Complexity 2020. Shang, C., Huang, X., You, F., 2017. Data-driven robust optimization based on kernel learning. Computers & Chemical Engineering 106, 464–479. Veyna, U., Blasco, X., Herrero, J., Pajares, A., 2023a. Non dominated robust solutions design under a multi-objective optimization approach. applied to robust controllers tuning. Under review in a JCR journal. Veyna, U., Blasco, X., Herrero, J., Pajares, A., 2023b. Parameter uncertainty modeling for multiobjective robust control design. application to a temperature control system in a proton exchange membrane fuel cell. Engineering Applications of Artificial Intelligence 119, 105758. Veyna, U. et al. / XIX. Simposio CEA de Control Inteligente. 19-21 de junio de 2024. Burgos 97