Browsing by Author "Langarica Chavira, Saúl Alberto"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Design and implementation of an industrial internet of things platform for intelligent supervision and control of industrial processes
    (2019) Langarica Chavira, Saúl Alberto; Núñez Retamal, Felipe Eduardo; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    En la era de la digitalización en que estamos viviendo hoy en día, el Internet Industrial de las Cosas (IIoT por sus siglas en inglés) ha llegado a revolucionar la industria, al grado de que los expertos ya están hablando de una cuarta revolución industrial. IIoT ha permitido la convergencia entre las tecnologías de operación con las tecnologías de la información en la industria, problema que se ha tratado de resolver muchas veces en el pasado pero sin éxito hasta ahora (Cisco, 2018). Este problema consiste en conectar los equipos de campo (normalmente aislados o conectados solo a través redes locales) a internet, y con esto darles capacidades de computo más elevadas. Por otro lado, esto permitiría darle a los computadores la capacidad de interactuar con el mundo exterior a través de los equipos de campo en tiempo real. Desde el punto de vista del control de procesos, esto podría abrir muchas posibilidades, permitiendo que se combinase la teoría de control, ya madura y probada muchas veces en la práctica, con el nuevo mundo del aprendizaje de máquina, para crear aplicaciones innovadoras que puedan ser implementadas en ambientes industriales reales. En el caso particular de Chile, la minería es uno de los sectores industriales que podría ser mas grandemente beneficiado si se adoptasen las tecnologías de IIoT en sus procesos. Esto es especialmente cierto ahora que sus costos han subido, el grado de los minerales ha bajado y la productividad en las distintas faenas ha empezado a disminuir por diferentes razones. En esta tesis se desarrollaron dos aplicaciones para minería basadas en IIoT, una aplicación de laboratorio y una aplicación real. Tras las pruebas y el análisis de los resultados, que son realmente prometedores, se ha llegado a la conclusión de que la implementación de este tipo de aplicaciones no tan solo es posible para la industria minera chilena, sino que es un paso necesario para revertir la panorama adverso que se avecina para este importante sector de nuestro país.
  • No Thumbnail Available
    Item
    Neural Network-Based Model Predictive Control of a Paste Thickener Over an Industrial Internet Platform
    (2020) Núñez Retamal, Felipe Eduardo; Langarica Chavira, Saúl Alberto; Díaz Titelman, Pablo; Torres, Mario; Salas, Juan Carlos
    This article presents a real implementation of a neural network-based model predictive control scheme (NNMPC) to control an industrial paste thickener. The implementation is done over an Industrial Internet of Things (IIoT) platform designed using the seven layer reference model for IIoT systems. Modeling is achieved using an encoder-decoder with attention recurrent neural network, while MPC search is done using particle swarm optimization. An industrial evaluation is presented, which highlights the set-point tracking and disturbance rejection capabilities of the proposed NNMPC technique.
  • No Thumbnail Available
    Item
    Neuroevolutive Control of Industrial Processes Through Mapping Elites
    (IEEE, 2021) Langarica Chavira, Saúl Alberto; Nuñez Retamal, Felipe Eduardo
    Classical model-based control techniques used in process control applications present a tradeoff between performance and computational load, especially when using complex nonlinear methods. Learning-based techniques that allow the controller to learn policies from data represent an appealing alternative with potential to reduce the computational burden of real-time optimization. This article presents an efficient learning-based neural controller, optimized using evolutionary algorithms, designed especially for maintaining diversity of individuals. The search of solutions is conducted in the parameter space of a population of deep neural networks, which are efficiently encoded with a novel compression algorithm. Evaluation against strong baselines demonstrates that the proposed controller achieves better performance in most of the chosen evaluation metrics. Results suggest that learning-based controllers are a promising option for next-generation process control in the context of Industry 4.0.