10:34
[563: optisa] Optimización:
aplicaciones
en
ingeniería
de
sistemas
y
control,
generalidades
**
10:34
[564: coptidx] Control
óptimo:
índices
de
coste
más
usuales
***
12:11
Ejemplo/discusión sobre control de temperaturas de un horno:
[565: lsforn] Mínimos
cuadrados
en
control
multivariable:
caso
estudio
horno
(revisión/motivación)
**
28:04
[566: sdopid1] Sintonizado
de
PIDs
mediante
optimización
de
integral
error
cuadrático
con
Simulink
Response
Optimization
***
08:32
[567: sdopid2] Sintonizado
de
PIDs
con
Simulink
Response
Optimization:
ponderación
ISE
+
acción
de
control
***
08:02
[568: coptcn] Sintonizado
de
controladores
con
Simulink
Response
Optimization:
restricciones
sobre
respuesta
temporal
***
05:54
[569: sdofreq] Sintonizado
de
controladores
con
Simulink
Response
Optimization:
restricciones
sobre
respuesta
en
frecuencia
linealizada
****
09:26
[570: sdopert] Optimización
para
rechazo
de
perturbaciones
vs.
seguimiento
de
referencia
(Simulink)
****
09:58
[571: opt4idxa] Optimización
ISE/IAE/ITAE/IT2AE
para
rechazo
de
perturbaciones:
planteamiento
del
problema
X. Blasco, J.M. Herrero, C. Ramos, A. Sala (UPV) ***
09:35
[572: opt4idxb] Optimización
ISE/IAE/ITAE/IT2AE
para
rechazo
de
perturbaciones:
comparativa
de
respuesta
temporal
X. Blasco, J.M. Herrero, C. Ramos, A. Sala (UPV) ***
10:59
[573: optode1] Optimización
de
parámetros
de
reguladores
con
ode45+fminunc:
planteamiento
del
problema
y
ejemplo
***
10:10
[574: optode2] Optimización
de
parámetros
de
reguladores
con
ode45+fminunc
(2):
Simulación
y
optimización
****
11:00
[575: optode3] Optimización
de
parámetros
de
reguladores
con
ode45+fminunc
(3):
comparación
con
solución
LQR,
modificación
índice
de
coste
****
09:00
Control óptimo de procesos inciertos: El control robusto trata de diseñar reguladores que se comporten bien ante errores de modelado. Una opción es optimizar no sólo el resultado de una simulación (como se ha hecho en esta sección), sino simular el mismo regulador con varios procesos diferentes y optimizar un índice que dependa de las prestaciones obtenidas en ese conjunto de simulaciones... usualmente se quiere que la peor de dichas simulaciones tenga, aún así, un comportamiento aceptable. Las ideas de esta sección son extendidas al caso robusto en la sección 25.3.
Nota: Aparte de “Simulink Response Optimization” o de “ode45+fminunc” está la opción de usar “fmincon” para acotar el espacio de búsqueda de parámetros, o el de simular un modelo de simulink desde la linea de comandos con el comando sim, como una opción adicional para poder controlar la optimización desde un fichero de código sin necesidad de generar el modelo en formato ode45. Se deja al lector los detalles, aunque también puede consultar los vídeos [ optrobpi1(10:42)] y [ optrobpi2(08:41)] donde se sigue exactamente este camino (aunque se plantean ideas de optimización robusta fuera de los objetivos de esta sección).
El control óptimo LQR (que luego dio lugar al control predictivo), es una estrategia de control clave. Está bien desarrollada en muchos materiales, y no tengo material propio preparado.
Asimismo, un enfoque moderno al control óptimo lineal (que generaliza LQR, Kalman,…) es el control óptimo y , discutido en el Capítulo 19 de estos materiales.; cabe recalcar que el control óptimo es la base de los desarrollos de control robusto (garantizar tolerancia a errores de modelado) que se desarrolla en capítulos posteriores.
El único material propio del que, por el momento, dispongo es el relativo a la solución del problema basada en desigualdades matriciales lineales (ver Capítulo 31), a continuación:
[576: lqrlmi] Control
óptimo
(LQR)
de
procesos
lineales
con
desigualdades
matriciales
lineales
(LMI):
teoría
y
ejemplo
Matlab
****
09:35
El control predictivo, del que no tengo material propio preparado, se ha convertido en una estrategia de control muy importante en aplicaciones prácticas que, obviamente, debe ser estudiada por el lector en otros materiales. Por ejemplo, en el enlace a continuación hay un curso completo de 20 vídeos, con más de 12 horas de exposición sobre control predictivo basado en modelo (MPC):
https://www.youtube.com/playlist?list=PLF-qcfymUY4U8heDB4TqzPUHUs-PaN2EM
Nota: La identificación de modelos dinámicos multivariables lineales expresamente orientados al control predictivo sí se aborda en mis materiales, en concreto en los vídeos [ idmpc1(11:09)] y [ idmpc2(10:52)].
En este otro enlace podéis seguir una serie de lecciones (14 videos, aprox. 2.5 horas de contenido) sobre Control Óptimo, Optimización Dinámica:
https://www.youtube.com/watch?v=TkO3YXaemFo&list=PLXmyaEzxglCQpOwVTxfiFuLdUqR7KOGiP
Este curso está enfocado al caso no lineal continuo (Hamiltoniano, cálculo de variaciones, etc.).
[577: dp2d1] Ejemplo
Matlab
Programación
Dinámica
(1):
laberinto
2D,
modelado
y
planteamiento
del
problema.
***
07:04
[578: dp2d2] Ejemplo
Matlab
Programación
Dinámica
(2):
laberinto
2D,
iteración
de
valor,
programación
lineal.
***
13:29
[579: dp2d3] Ejemplo
Matlab
Programación
Dinámica
(3):
laberinto
2D,
iteración
de
valor
(policy
iteration)
****
13:27