An Incursion to Deep-Learning for Process Regulation 

Publicación:
Entidad Editora:
Director Editorial:
ISSN:
Ejemplar/Número:

Categoría:
Páginas:
Colección:
Fecha de inicio:
Periodicidad:

Programación Matemática y Software
Universidad Autónoma del Estado de Morelos
Dr.Marco Antonio Cruz Chávez
2007-3283
Volumen 13, Número 2/Junio de 2021
Periodo Junio-Septiembre 2021
Artículo de Investigación
39-53
Computación
Junio del 2021
Cuatrimestral

PDF(1028 KB)

A. Mosso-Vazquez¹ , A. Hernandez² , G. Nagarajan³ , D.Juarez-Romero²

¹ Departamento de MecatrónicaInstituto Tecnológico Superior de Calkiní en el Estado de CampecheAv. Ah-Canul S/N Col. San Felipe CP 24900, Calkiní, Campeche, México.

² Centro de Investigación en Ingeniería y Ciencias Aplicadas, UAEM Av. Universidad No. 1001, Col. Chamilpa, Cuernavaca, Morelos, CP 62209, México.

³ I.C.E. Division, Department of Mechanical Engineering, Anna University,Chennai 600 025 India.

Recibido: 29 de diciembre del 2020   Aceptado: 13 de mayo del 2021     Publicado en línea: 4 de junio del 2021

Resumen. Un modelo que representa un proceso físico suele estar compuesto por ecuaciones de conservación, mecanismos de transferencia y ecuaciones cerradas. Estas ecuaciones varían en el grado de certeza. Este artículo describe la incorporación de modelos físicos y empíricos. La parte empírica está construida por Aprendizaje Profundo. Este trabajo describe los principios que han impulsado al Aprendizaje Profundo como herramienta complementaria para la aproximación de la ingeniería de procesos cuando se utiliza para el control basado en modelos. Además de la estabilidad y precisión para hacer frente a perturbaciones no medidas, una estrategia robusta es utilizar el Aprendizaje por Refuerzo. Por lo tanto, también se describen los principios de esta estrategia.  

Palabras Clave:  Construcción de modelos, Validación de modelos, Modelo Predictivo, Aprendizaje Profundo, Aprendizaje por Refuerzo.

Abstract. A model which represents a physical process is usually composed by conservation equations, transfer mechanisms, and closure equations. These equations vary in the degree of certainty. This paper describes the incorporation of physical and empirical models. The empirical part is constructed by Deep Learning. This work describes the principles which have promoted Deep Learning as a complementary tool for the approximation of process engineering when is used for model-based control. In addition of the stability and accuracy to deal with unmeasured disturbances, a robust strategy is to use Reinforcement Learning Thus the principles of this strategy are also described.

Keywords: Model construction, Model Validation, Predictive Model, Deep Learning, Reinforcement Learning.  

Alejo Mosso-Vazquez(Autor de correspondencia)

José Alfredo Hernández-Pérez

G. Nagarajan

David Juarez-Romero