NeoPREDiCOM es un proyecto coordinado entre la Universitat Politècnica de València (UPV) y la Universidad del País Vasco (UPV/EHU). Concretamente con el grupo de investigación en Control Inteligente (GICI) (https://www.ehu.eus/es/web/gici/).
Objetivo principal de la propuesta:
Diseñar, desarrollar y validar una novedosa arquitectura de control predictivo multivariable y multiobjetivo basada en técnicas de inteligencia computacional, capaz de controlar en tiempo real procesos industriales de dinámicas complejas, con capacidad de aprendizaje y generación de modelos robustos.
Objetivos Específicos:
Se presentan dos tipos de objetivos: objetivos específicos científicos (donde su consecución genera hitos más transversales y generales) y objetivos específicos tecnológicos (cuya consecución implica la aplicación de los resultados científicos a casos prácticos o reales, generando hitos específicos para las aplicaciones concretas planteadas).
Objetivos específicos científicos:
[OE-C1] Diseñar y desarrollar nuevos algoritmos de optimización multiobjetivo y/o variantes de los existentes para caracterizar las soluciones óptimas y sub-optimas no dominadas en su vecindad. Este algoritmo formará parte de la estructura del controlador y le dotará de robustez al gestionar soluciones subóptimas. (Subproyecto 1. CPOH – IP1)
[OE-C2] Estudiar y desarrollar modelos monovariables mediante conjunto de redes neuronales agrupadas (Ensemble Model). (Subproyecto 2. GICI – IP2)
[OE-C3] Diseñar y desarrollar nuevos algoritmos y procedimientos para la toma de decisiones automatizada basados en preferencias de tipo lingüístico. (Subproyecto 1. CPOH-IP1)
[OE-C4] Desarrollar una nueva propuesta de iMO-NMPC para el caso monovariable (SISO) incorporando aportaciones novedosas en el optimizador y en el gestor de decisiones. (Subproyecto 2. GICI – IP1)
[OE-C5] Diseñar, desarrollar y analizar modelos MIMO basados en redes neuronales de los procesos con los que se trabajará durante el proyecto. Estos modelos y los análisis resultantes se integrarán en la estructura del controlador. (Subproyecto 2. GICI – IP1)
[OE-C6] Adaptar e implementar la estrategia de control iMO-NMPC para sistemas multivariables (MIMO). (Subproyecto 2. GICI – IP2)
[OE-C7] Diseñar y desarrollar nuevas estrategias de aprendizaje por refuerzo basado en modelos con capacidad para gestionar simultáneamente diferentes objetivos ligados a distintas recompensas que aporten mejoras respecto a los métodos clásicos basados en un solo índice de recompensa. (Subproyecto 1. CPOH – IP1)
[OE-C8] Adaptar la estrategia de aprendizaje multiobjetivo por refuerzo para utilizarla en el contexto de la arquitectura de control predictivo propuesta. La estrategia de aprendizaje basado en modelos será modificada en cuanto a la gestión de recompensas (índices de coste) y modelo del entorno (proceso) para buscar la política (controlador) óptima. (Subproyectos 1 y 2. CPOH-IP1 y GICI-IP1-IP2)
Objetivos específicos tecnológicos
[OT-1] Validar la arquitectura de control propuesta sobre esquemas HiL, donde se pueda comprobar la idoneidad tanto de la estrategia como del hardware en términos de gasto computacional. (Subproyectos 1 y 2. CPOH-IP1 y GICI-IP1-IP2).
[OT-2] Validar la arquitectura de control propuesta sobre distintos casos de aplicación: gestión y control de una pila de combustible, control de un proceso de laminación de aluminio. (Subproyectos 1 y 2. CPOH-IP1 y GICI-IP1-IP2).