Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química
RESUMEN : En este trabajo de grado, se investigó la viabilidad técnica de utilizar un modelo de Machine Learning basado en 500.000 datos de regulación por dos controladores con acción proporcional e integral para lograr un control predictivo multivariable por seguimiento del nivel y la presión de un...
- Autores:
-
Parra Barragán, Andrés Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/36709
- Acceso en línea:
- https://hdl.handle.net/10495/36709
- Palabra clave:
- Redes Neurales de la Computación
Neural Networks, Computer
Optimización
Optimization
Aprendizaje automatico (inteligencia artificial)
Machine learning
Datos
Data
http://aims.fao.org/aos/agrovoc/c_49816
http://vocabularies.unesco.org/thesaurus/concept6659
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UDEA2_cb13f48678ce665f079c02a894f6997b |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/36709 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química |
| title |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química |
| spellingShingle |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química Redes Neurales de la Computación Neural Networks, Computer Optimización Optimization Aprendizaje automatico (inteligencia artificial) Machine learning Datos Data http://aims.fao.org/aos/agrovoc/c_49816 http://vocabularies.unesco.org/thesaurus/concept6659 |
| title_short |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química |
| title_full |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química |
| title_fullStr |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química |
| title_full_unstemmed |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química |
| title_sort |
Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química |
| dc.creator.fl_str_mv |
Parra Barragán, Andrés Felipe |
| dc.contributor.advisor.none.fl_str_mv |
Múnera Ramírez, Danny Alexandro |
| dc.contributor.author.none.fl_str_mv |
Parra Barragán, Andrés Felipe |
| dc.subject.decs.none.fl_str_mv |
Redes Neurales de la Computación Neural Networks, Computer |
| topic |
Redes Neurales de la Computación Neural Networks, Computer Optimización Optimization Aprendizaje automatico (inteligencia artificial) Machine learning Datos Data http://aims.fao.org/aos/agrovoc/c_49816 http://vocabularies.unesco.org/thesaurus/concept6659 |
| dc.subject.unesco.none.fl_str_mv |
Optimización Optimization |
| dc.subject.lemb.none.fl_str_mv |
Aprendizaje automatico (inteligencia artificial) Machine learning |
| dc.subject.agrovoc.none.fl_str_mv |
Datos Data |
| dc.subject.agrovocuri.none.fl_str_mv |
http://aims.fao.org/aos/agrovoc/c_49816 |
| dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept6659 |
| description |
RESUMEN : En este trabajo de grado, se investigó la viabilidad técnica de utilizar un modelo de Machine Learning basado en 500.000 datos de regulación por dos controladores con acción proporcional e integral para lograr un control predictivo multivariable por seguimiento del nivel y la presión de un tanque en un proceso real de ingeniería química. El modelo elaborado y optimizado en Python, basado en redes neuronales recurrentes con memoria a corto plazo, demostró la capacidad de capturar dependencias secuenciales en los datos y realizar predicciones precisas. El RMSE obtenido fue inferior al 2% para un rango de nivel entre 5 y 25 cm y presiones entre 0 y 100 mbar. Sin embargo, se encontraron desafíos relacionados con la falta de control óptimo para el nivel y la presión del tanque, lo que destaca la importancia de combinar el modelo de Machine Learning con estrategias de control adicionales, como sistemas de control predictivo de modelos o la elaboración de múltiples modelos de Machine Learning en conjunto con algoritmos de control adaptativo. Estas conclusiones resaltan la necesidad de seguir investigando y refinando los enfoques utilizados para lograr un control preciso y óptimo de las variables controladas en sistemas de ingeniería química. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-09-28T15:42:42Z |
| dc.date.available.none.fl_str_mv |
2023-09-28T15:42:42Z |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/36709 |
| url |
https://hdl.handle.net/10495/36709 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
86 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería. Ingeniería Química |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/fb6417bc-42e8-49e2-b9be-db33a1f85614/download https://bibliotecadigital.udea.edu.co/bitstreams/b740cc90-fd64-4215-a882-01a01ab491d5/download https://bibliotecadigital.udea.edu.co/bitstreams/5c189e50-4b93-4b84-b219-5dab451b501e/download https://bibliotecadigital.udea.edu.co/bitstreams/cf2f4da5-0ac2-4e97-97ec-d5d7b3b4f2a9/download https://bibliotecadigital.udea.edu.co/bitstreams/25221d39-23e4-4651-98b0-36346012eb08/download |
| bitstream.checksum.fl_str_mv |
b88b088d9957e670ce3b3fbe2eedbc13 8a4605be74aa9ea9d79846c1fba20a33 7ace0562585e620012ab37d2796acf7c 60fd407e3f841d493d5d8ce7b2d43474 b4b5358e2f1964b6482cb68d21f7d9e7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052360545075200 |
| spelling |
Múnera Ramírez, Danny AlexandroParra Barragán, Andrés Felipe2023-09-28T15:42:42Z2023-09-28T15:42:42Z2023https://hdl.handle.net/10495/36709RESUMEN : En este trabajo de grado, se investigó la viabilidad técnica de utilizar un modelo de Machine Learning basado en 500.000 datos de regulación por dos controladores con acción proporcional e integral para lograr un control predictivo multivariable por seguimiento del nivel y la presión de un tanque en un proceso real de ingeniería química. El modelo elaborado y optimizado en Python, basado en redes neuronales recurrentes con memoria a corto plazo, demostró la capacidad de capturar dependencias secuenciales en los datos y realizar predicciones precisas. El RMSE obtenido fue inferior al 2% para un rango de nivel entre 5 y 25 cm y presiones entre 0 y 100 mbar. Sin embargo, se encontraron desafíos relacionados con la falta de control óptimo para el nivel y la presión del tanque, lo que destaca la importancia de combinar el modelo de Machine Learning con estrategias de control adicionales, como sistemas de control predictivo de modelos o la elaboración de múltiples modelos de Machine Learning en conjunto con algoritmos de control adaptativo. Estas conclusiones resaltan la necesidad de seguir investigando y refinando los enfoques utilizados para lograr un control preciso y óptimo de las variables controladas en sistemas de ingeniería química.ABSTRACT : In this undergraduate thesis project, the feasibility of using a Machine Learning model based on 500.000 regulation data by two controllers with proportional and integral action to achieve multivariable predictive control by monitoring the level and pressure of a tank in a real chemical engineering process was investigated. The elaborated and optimized model in Python, based on recurrent neural networks with short-term memory, demonstrated the ability to capture sequential dependencies in the data and make accurate predictions. The RMSE obtained was below 2% for levels between 5 and 25 cm and pressures between 0 and 200mbar. However, challenges were encountered related to the lack of optimal control for the tank level and pressure, highlighting the importance of combining the Machine Learning model with additional control strategies, such as model predictive control systems or the development of multiple Machine Learning models in conjunction with adaptive control algorithms. These findings underscore the need for further research and refinement of the approaches used to achieve accurate and optimal control of controlled variables in chemical engineering systems.PregradoIngeniero Químico86application/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Ingeniería Químicahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería químicaTesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/draftRedes Neurales de la ComputaciónNeural Networks, ComputerOptimizaciónOptimizationAprendizaje automatico (inteligencia artificial)Machine learningDatosDatahttp://aims.fao.org/aos/agrovoc/c_49816http://vocabularies.unesco.org/thesaurus/concept6659PublicationCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8823https://bibliotecadigital.udea.edu.co/bitstreams/fb6417bc-42e8-49e2-b9be-db33a1f85614/downloadb88b088d9957e670ce3b3fbe2eedbc13MD53falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/b740cc90-fd64-4215-a882-01a01ab491d5/download8a4605be74aa9ea9d79846c1fba20a33MD54falseAnonymousREADORIGINALParraAndres_2023_ControlPredictivoMultivariable.pdfParraAndres_2023_ControlPredictivoMultivariable.pdfTrabajo de grado de pregradoapplication/pdf1994937https://bibliotecadigital.udea.edu.co/bitstreams/5c189e50-4b93-4b84-b219-5dab451b501e/download7ace0562585e620012ab37d2796acf7cMD51trueAnonymousREADTEXTParraAndres_2023_ControlPredictivoMultivariable.pdf.txtParraAndres_2023_ControlPredictivoMultivariable.pdf.txtExtracted texttext/plain101689https://bibliotecadigital.udea.edu.co/bitstreams/cf2f4da5-0ac2-4e97-97ec-d5d7b3b4f2a9/download60fd407e3f841d493d5d8ce7b2d43474MD55falseAnonymousREADTHUMBNAILParraAndres_2023_ControlPredictivoMultivariable.pdf.jpgParraAndres_2023_ControlPredictivoMultivariable.pdf.jpgGenerated Thumbnailimage/jpeg6395https://bibliotecadigital.udea.edu.co/bitstreams/25221d39-23e4-4651-98b0-36346012eb08/downloadb4b5358e2f1964b6482cb68d21f7d9e7MD56falseAnonymousREAD10495/36709oai:bibliotecadigital.udea.edu.co:10495/367092025-03-26 21:06:32.855http://creativecommons.org/licenses/by-nc-nd/2.5/co/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.coTk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo= |