Ingeniería de Control y Automatización

Permanent URI for this collectionhttp://54.81.141.168/handle/123456789/9092

Browse

Filters

2018 - 201912020 - 20211

Settings

search.filters.applied.f.advisor: search.filters.advisor.Morán Cárdenas, Antonio ManuelSubject: search.filters.subject.Actuadores

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    ItemMetadata only
    Control of an over-actuated nanopositioning system by means of control allocation
    (Pontificia Universidad Católica del Perú, 2021-03-26) Seminario Reategui, Renzo Andre; Morán Cárdenas, Antonio Manuel
    This Master’s Thesis is devoted to the analysis and design of a control structure for the nanopositioning system LAU based on the dynamic control allocation technique. The objective is to control the vertical displacement with nanometer precision under a control effort distribution criterion among the actuator set. In this case, the pneumatic actuator is used as a passive gravity compensator while the voice coil motor generates the transient forces. The analysis of the system characteristics allows defining the design criterion for the control allocation. In this direction, the proposed dynamic control allocation stage considers a frequency distribution of the control effort. The lower frequency components are assigned to the pneumatic actuator while the higher frequencies are handled by the voice coil drive. The significant actuator dynamics are compensated through a Kalman filter approach. The position controller is based on a feedback linearization framework with a disturbance observer for enhanced robustness. The experimental validation demonstrates the feasibility of the proposed technique.
  • No Thumbnail Available
    ItemMetadata only
    Control de un sistema de posicionamiento magnético de dos dimensiones usando aprendizaje profundo por refuerzo
    (Pontificia Universidad Católica del Perú, 2018-10-30) Bejar Espejo, Eduardo Alberto Martín; Morán Cárdenas, Antonio Manuel
    Los sistemas de posicionamiento magnético son preferidos respecto a sus contrapartes mecánicas en aplicaciones que requieren posicionamiento de alta precisión como en el caso de la manufactura de circuitos integrados. Esto se debe a que los actuadores electromagnéticos no sufren los efectos de la fricción seca o desgaste mecánico. Sin embargo, estos sistemas poseen fuertes no linealidades que dificultan la tarea de control. Por otro lado, el aprendizaje por refuerzo se ha posicionado como una técnica de entrenamiento de redes neuronales prometedora que está permitiendo resolver varios problemas complejos. Por ejemplo, el aprendizaje por refuerzo fue capaz de entrenar redes neuronales que han logrado vencer al campeón mundial de Go, derrotar a varios jugadores profesionales de ajedrez y aprender a jugar varios videojuegos de la consola Atari. Asimismo, estas redes neuronales están permitiendo la manipulación de objetos por brazos robóticos, un problema que era muy difícil de resolver por medio de técnicas tradicionales. Por esta razón, el presente trabajo tiene como objetivo diseñar un controlador neuronal entrenado por refuerzo para el control de un sistema de posicionamiento magnético de dos dimensiones. Se utiliza una variación del algoritmo Deep Deterministic Policy Gradient (DDPG) para el entrenamiento del controlador neuronal. Los resultados obtenidos muestran que el controlador diseñado es capaz de alcanzar varios setpoints asignados y de realizar el seguimiento de una trayectoria dada.