Identificación y control no lineal del TCLab

Abstract

Esta memoria describe el proceso de diseño de un controlador basado en un modelo no lineal, identificado de medidas reales de TCLab, un módulo de Arduino también conocido como un laboratorio de bolsillo creado con fines académicos, y un sistema termodinámico MIMO, de naturaleza no lineal. El trabajo parte del enfoque lineal. Primero se identifica el modelo con una estructura de regresores independientes que después se convierte a espacio de estados, la expresión que utiliza un controlador MPC. Este paso del trabajo sirve, por un lado, para comprobar cómo se defiende un controlador basado en un modelo de estas características en el sistema en cuestión, aunque su verdadera finalidad es establecer la base sobre la que se desarrolla el controlador no lineal. La no linealidad se logra cuando se introduce la lógica borrosa. La combinación de múltiples modelos lineales que identifican diferentes regiones de las salidas dan lugar a un modelo instantáneo, nuevo en cada muestra, que proporciona estimaciones que dejan de ser lineales. Este grado de complejidad adicional también afecta al diseño del controlador. Cuando antes solo existía un algoritmo que resuelve el problema de optimización a través de un proceso iterativo en cada muestra, ahora es también necesario incluir un bucle externo al algoritmo que le ayude a converger el modelo instantáneo. El controlador MPC no lineal diseñado consigue una mayor precisión respecto del lineal, a cambio de un mayor coste computacional. Los resultados de su ensayo han sido esperanzadores, pudiéndose valorar la posibilidad de probarlo en otros sistemas no lineales de dinámica diferente.

This memoir describes the process of designing a nonlinear-based controller, identified from real measured data from TCLab, an Arduino module also known as a pocket-size laboratory, created for academic purposes, and a MIMO thermodynamic system, a system of nonlinear nature. The project starts from the linear approach. First, the model is identified with a structure of independent regressors, which is then converted to state space, the expression used by an MPC controller. This step of the work serves, on the one hand, to check how a controller based on such a model is defended in the system in question, although its real purpose is to establish the basis on which the nonlinear controller is developed. Nonlinearity is achieved when fuzzy logic is introduced. The combination of multiple linear models identifying different regions of the outputs results in an instantaneous model, new in each sample, which provides estimates that are no longer linear. This additional degree of complexity also affects the controller design. Where previously there was only one algorithm that solves the optimization problem through an iterative process at each sample, it is now also necessary to include an external loop to the algorithm to help it converge the instantaneous model. The nonlinear MPC controller designed achieves higher accuracy with respect to the linear one, in exchange for a higher computational cost. The results of the test have been encouraging, and the possibility of testing it on other nonlinear systems with different dynamics can be considered.