Control de temperatura, posición y velocidad en la maleta de entrenamiento Siemens usando técnicas de Machine Learning en un dispositivo Edge Computing

Abstract

En el presente trabajo de investigación se implementan sistemas de control re-alimentados para regular la velocidad y posición de un motor brushless DC, así como la temperatura generada por una resistencia calefactora. Las implementaciones emplean técnicas de Machine Learning, específicamente el Proceso Gaussiano y una Red Neuronal Anticipativa (RNA) con el fin de predecir la respuesta de las variables físicas del sistema. Posteriormente, se determinan los parámetros óptimos del controlador PID (Proportional Integral Derivative) mediante un enfoque basado en descenso de gradiente. Con fines comparativos, se desarrollan también sistemas de control empleando un PID convencional. Las simulaciones de los sistemas se realizan en MATLAB/Simulink y las implementaciones se llevan a cabo en la Maleta de Entrenamiento Siemens del laboratorio de Sistemas de Control de la Universidad de Ingeniería y Tecnología. Además, se implementa una arquitectura de control alineada con la norma ISA 95, conformada por un PLC, una laptop que actúa como dispositivo de Edge Computing, y un HMI, considerando además los lineamientos de la norma ISA-101 para supervisión y monitoreo. El dispositivo de Edge Computing ejecuta los sistemas de control PID con y sin Machine Learning y se comunica con el PLC a través del protocolo OPC UA mediante el software KEPServerEX. Los resultados indican que el controlador PID optimizado con Proceso Gaussiano presenta un desempeño ligeramente superior al PID con Red Neuronal Anticipativa, mientras que ambos muestran una mejora clara respecto al PID convencional.In this research work, feedback control systems are implemented to regulate the speed and position of a brushless DC motor, as well as the temperature generated by a heating resistor. The implementations employ Machine Learning techniques, specifically Gaussian Process Regression and an Anticipative Neural Network (ANN), in order to predict the response of the system’s physical variables. Subsequently, the optimal parameters of the Proportional–Integral–Derivative (PID) controller are determined using a gradient descent–based approach. For comparison purposes, control systems based on a conventional PID controller are also developed. System simulations are carried out in MATLAB/- Simulink, and the experimental implementations are performed on the Siemens Training Suitcase available in the Control Systems Laboratory of the University of Engineering and Technology. In addition, a control architecture aligned with the ISA-95 standard is implemented, consisting of a PLC, a laptop acting as an Edge Computing device, and an HMI, while also considering the guidelines of the ISA-101 standard for supervision and monitoring. The Edge Computing device executes the PID control systems with and without Machine Learning and communicates with the PLC via the OPC UA protocol using KEPServerEX software. The results indicate that the PID controller optimized using Gaussian Process Regression achieves slightly better performance than the PID controller optimized with the Anticipative Neural Network, while both demonstrate a clear improvement compared to the conventional PID controller.