Validación de modelos neuronales mediante la matriz de ganancias relativas
Enviado: 21-06-2024
|Aceptado: 25-07-2025
|Publicado: 01-08-2025
Derechos de autor 2025 Lucía Iturbe, Eloy Irigoyen Gordo, Mikel Larrea, Javier Sanchís Saez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Descargas
Palabras clave:
Validación de modelos, Identificación de sistemas no lineales, Modelo neuronal, Sistemas multivariable, Sistemas acoplados
Agencias de apoyo:
Resumen:
Este trabajo tiene como objetivo principal presentar un procedimiento que complemente a los tradicionales, como es el análisis del error cuadrático medio, en los procesos de validación de modelos neuronales de sistemas multivariables dinámicos (MIMO) no lineales. Para ello, se lleva a cabo una comparativa entre el grado de acoplamiento que presentan dichos sistemas MIMO, entre sus variables de entrada y salida, con respecto al nivel de acoplamiento intrínseco que presenta un modelo neuronal. Esta propuesta se basa en el cálculo de la matriz de ganancias relativas (MGR) como herramienta para realizar dicha comparativa entre los modelos neuronales y los sistemas reales. Específicamente, se detalla el proceso del cálculo de la MGR para una red neuronal de tipo NARX. Con objeto de determinar la eficiencia de esta propuesta, se realizan diferentes estudios valorando comparativamente la ganancia relativa λ11 que presentan diferentes sistemas MIMO de dimensión 2x2. Concretamente, se aborda por un lado el estudio de un sistema MIMO completamente desacoplado, y por otro el de uno acoplado. En una primera fase se plantea un estudio matemático. Posteriormente, con el sistema MIMO acoplado se amplía el estudio hacia un enfoque práctico, sin considerar el modelo matemático de dicho sistema. Los resultados obtenidos refrendan las hipótesis de partida de este trabajo, permitiendo robustecer el proceso de ajuste de modelos neuronales.
Citas:
Bristol, 1966. On a new measure of interaction for multivariable process control. IEEE Transactions on Automatic Control 11 (1), 133–134. DOI:https://doi.org/10.1109/TAC.1966.1098266
Camacho, E., Bordons, E., 2013. Model Predictive Control. Springer London. DOI:https://doi.org/10.1007/978-0-85729-398-5
Chang, J.-W., Yu, C.-C., 1990. The relative gain for non-square multivariable systems. Chemical Engineering Science 45 (5), 1309–1323. DOI:https://doi.org/10.1016/0009-2509(90)87123-A
Chen, D., Seborg, D. E., 2 2002. Relative gain array analysis for uncertain process models. AIChE Journal 48, 302–310. DOI:https://doi.org/10.1002/aic.690480214
Gatica, H. J., Benjamin, R. G., Juan, V. E., Jos ́e, O. F., 2009. Robust multivariable predictive control strategy on sag mills; codelco chile – division el teniente. IFAC Proceedings Volumes 42 (23), 49–54. DOI:https://doi.org/10.3182/20091014-3-CL-4011.00010
Glad, S. T., 1999. Extensions of the rga concept to nonlinear systems. 1999 European Control Conference (ECC), 961–963. DOI:https://doi.org/10.23919/ECC.1999.7099431
Harris, C., 1994. Advances in intelligent control. Taylor & Francis.
Khaki-Sedigh, A., Moaveni, B., 2009. Control COnfiguration Selection for Multivariable Plants. Springer.
Larrea, M., Irigoyen, E., Artaza, F., Gómez-Garay, V., 2023. Model-based design of the imo-nmpc strategy: Real-time implementation”, booktitle=”18th international conference on soft computing models in industrial and environmental applications (soco 2023). Springer Nature Switzerland, 71–81. DOI:https://doi.org/10.1007/978-3-031-42529-57
Legaard, C. M., Schranz, T., Schweiger, G., Drgoˇna, J., Falay, B., Gomes, C., Iosifidis, A., Abkar, M., Larsen, P. G., 11 2022. Constructing neural network-based models for simulating dynamical systems. ACM Comput. Surv. DOI:https://doi.org/10.48550/arXiv.2111.01495
Moaveni, B., Sedigh, A., 11 2007. Input-output pairing for nonlinear multivariable systems. Journal of Applied Sciences 7. DOI:https://doi.org/10.3923/jas.2007.3492.3498
Narendra, K., Parthasarathy, K., 1990. Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks 1 (1), 4–27. DOI:https://doi.org/10.1109/72.80202
Plebe, A., Grasso, G., 12 2019. The unbearable shallow understanding of deep learning. Minds and Machines 29, 515–553. DOI:https://doi.org/10.1007/s11023-019-09512-8
Shinskey, F. G., 1996. Process Control Systems. Application, Design and Tuning. McGraw-Hill.
Svrcek, W. Y., Mahoney, D. P., Young, B. R., 2014. A Real-Time Approach to Process Control Third Edition. John Wiley Sons, Ltd, John Wiley Sons Ltd, The Atrium, Southern Gate, Chichester, West Sussex, PO19 8SQ, United Kingdom.
Uhlmann, J., 2019. On the relative gain array (rga) with singular and rectangular matrices. Applied Mathematics Letters 93, 52–57. DOI:https://doi.org/10.1016/j.aml.2019.01.031
Witcher, 1977. Interacting control systems: Steady state and dynamic measurement of interaction. ISA Trans. 16, 35–41.
Yousuf, R., Uhlmann, J., 06 2021. On use of the moore-penrose pseudoinverse for evaluating the rga of non-square systems.
Zabaljauregi, A., Alonso, A., Larrea, M., Irigoyen, E., Sanchis, J., 2023. Con-trol of mimo systems with imo-nmpc strategy. 17th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2022), 474–483. DOI:https://doi.org/10.1007/978-3-031-18050-746
