9. Algunas Simulaciones - Servidor de la Biblioteca de...

Control en invernaderos hidropónicos.

1

9. Algunas Simulaciones

9.1. Estudio comparativo de ajuste en el regulador PID para el clima del

invernadero con linealización Feedback-Feedforward y

desacoplamiento.

Considerando el modelo climático dinámico invernadero más utilizado, basado en

energía y la masa equilibrada dentro del invernadero (fue desarrollado por Albright,

ecuaciones diferenciales para la energía y el agua). El espacio de estado no lineal acoplado del

modelo del invernadero se expresa como:

Las variables de estado x1 y x2 (idéntica a las variables de salida y1, y2) son las

temperaturas interior del invernadero (Tin) y la humedad interior absoluta (win). El control de

entrada u1 y u2 son la tasa de ventilación ( ̇) y del capacidad del agua de la niebla del sistema

(Qfog). Se consideran dos escenarios de simulación para las pruebas para comparar el

rendimiento del sistema de control con diferentes controladores PID: cambios en escalón de

consignas y cambio de rampa de consignas.

En la siguiente figura se presenta el sistema climático del invernadero con linealización

y desacoplamiento, que ya se vio anteriormente, para control de la temperatura y la humedad.

Cambios del Set-Point en escalón: en el primer experimento se realiza un cambio en

escalón de la consigna tanto de la temperatura del aire y humedad absoluta en el invernadero,

aplicados sucesivamente.


2

Cambios del Set-Point en Rampa: en la segunda prueba de simulación, se consideran

que cambia en forma de rampa el punto de referencia tanto de la temperatura del aire y de la

humedad dentro del invernadero.


3

Basado en un modelo climático del invernadero con perturbaciones medibles externas,

con compensador por realimentación-feedforward para linealizar, desacoplamiento y


4

compensaciones perturbación el problema se reduce a procesos desacoplados más tiempos

muertos, adecuados para la temperatura y la humedad de control de clima del invernadero

Las pruebas de simulación muestran que en el caso de un cambio en escalón del punto

de referencia, el desacoplamiento puede perderse ya que las variables de control están

limitadas por los actuadores (tasa de ventilación y de débito niebla), es decir, se realiza un

control en bucle abierto. La mejor solución es utilizar un cambio de consigna de rampa en

lugar de los cambios en escalón, que respeta el proceso de linealización y desacoplo. Los

resultados de la simulación demuestran buen rechazo de perturbaciones por el compensador

basado en linealización por realimentación-feedforward y desacoplamiento.

9.2. Sintonía de controladores PID no lineales Multi-Objetivo para

Invernadero con Algoritmos Evolutivos

El controlador PID es un sistema de dos entradas, dos salidas continuo y no lineal.

Consideramos un control PID multivariable estructurado como se muestra en la figura

siguiente.

La figura siguiente muestra la eficacia de las respuestas a escalón del control PID en

cada población. Es muy bueno el rendimiento del control en su conjunto, con pequeñas

sobreoscilaciones, rápido tiempo de establecimiento y el buen rendimiento de la señal de

consigna.


5

En las figuras siguientes se muestran las distribuciones de los parámetros de ganancia

PID en cada población. Los resultados muestran que los controladores tienen pequeñas

ganancias derivadas, o incluso que se pueden implementar mediante la adopción de bucle PI

bajo la mayoría de condiciones, mientras que las ganancias proporcional son grandes para los

dos lazos de control.

Con el fin de demostrar la eficacia del método de sintonización propuesto,

consideramos otros criterios de rendimiento, tales como la sobreoscilación, tiempo de subida,

tiempo y error de estado estacionario. Para simplificar el análisis, se realiza una simple suma

de los respectivos criterios de desempeño de tipo en cada población.


6


7

Los resultados muestran la eficacia y la facilidad de uso del método propuesto para

respuestas a un escalón. Las ganancias obtenidas se aplican en los controladores PID y se

puede lograr un buen rendimiento de control, tales como pequeña sobreoscilación, rápido

tiempo de estabilización, y menos tiempo de subida y el error de estado estacionario.

9.3. Diseño Controlador No lineal adaptativo Neuro-PID de

Invernaderos basado en la red RBF

Para el control del clima de un invernadero se propone una adaptación de un esquema

de control neural y la incorporación de los controladores PID convencionales. Se prevé que la

combinación se aprovechará de la simplicidad de los controladores PID y la potente capacidad

de aprendizaje, adaptabilidad y la capacidad de abordar a sistemas no lineales de las redes

RBF.

A fin de demostrar la capacidad del sistema de control propuesto para proporcionar

seguimiento a una consigna dada y rechazo de perturbaciones, se realiza una series de

simulaciones. En primer lugar el rendimiento de la estabilidad y rechazo de perturbaciones se

muestra en la siguiente figura.


8

En segundo lugar, la capacidad de adaptación, el seguimiento y la respuesta de bucle

cerrado a los cambios de punto de referencia demuestra seguimiento suave. Consideramos un

par de entradas de referencia de onda cuadrada para probar su control.


9

Las respuestas correspondientes para el cambio en el punto de referencia de onda

cuadrada en la relación de temperatura y humedad se muestran en la figura anterior. Los

resultados muestran que hay algunas ligeras oscilaciones alrededor de los puntos de referencia

durante un cierto tiempo. En general, las salidas del sistema pueden realizar un seguimiento

de las entradas de referencia, y el controlador de Neuro-PID tiene una buena adaptación y

rendimiento de seguimiento.

Además, las figuras siguientes muestran como varían los parámetros de las ganancias del

controlador Neuro-PID con los cambios de punto de referencia durante el proceso de ajuste.


10

Para demostrar la superioridad del esquema de control frente al simple control PID se

realiza el mismo experimento, los mejores parámetros de ganancia para el controlador PID

convencional se logran mediante el uso de la optimización GA fuera de línea. En la siguiente

figura se muestra el control PID convencional.


11

En comparación con el controlador PID convencional, el esquema de control Neuro-PID

tiene una precisión más alta, sobreoscilaciones más pequeñas y la respuesta de bucle cerrado

más suave.

Los resultados muestran que el controlador propuesto tiene buena capacidad de

adaptación, robustez y rendimiento de control satisfactorio mediante el seguimiento de la

trayectoria de onda cuadrada al ser comparardo con los métodos convencionales de control

PID.


12

9.4. Aplicación del sistema de lógica difusa adaptativo para el

modelado del clima de un invernadero

Es bastante difícil para modelar completamente el invernadero sólo basándose en las

leyes físicas que intervienen en el proceso. Completar el modelado físico con el sistema de

lógica difusa adaptativo es una manera de obtener la relación funcional no lineal entre la

temperatura del invernadero y diversos factores climáticos. La simulación muestra que este

método se puede realizar el seguimiento del sistema real.

9.5. Modelo de Control Predictivo del clima del invernadero Basado en

la optimización del enjambre de partículas para ahorrar consumo de

energía.

Debido a que el invernadero se trata de un sistema no lineal es necesario encontrar un

nuevo enfoque para aplicar el control predictivo (MPC) sobre la base de la optimización de


13

enjambre de partículas (PSO) para reducir al mínimo el costo y resolver la no linealidad

restringida al problema de optimización.

La complejidad del sistema de un invernadero, la gran interacción entre las diferentes

variables, y las fuertes perturbaciones externas son las principales razones para elegir MPC. El

rendimiento del MPC depende en gran medida de la exactitud del modelo del proceso. La

temperatura interior se regula en el valor adecuado con dos variables manipuladas:

calefacción artificial y ventilación natural (ángulo de ventana). El consumo de energía es

causada principalmente por las dos variables. Con el fin de ahorrar consumo de energía, las

acciones de control futuras se calculan para minimizar una función de coste especificado.

Los costos se representan como coste acumulado para cada actuador (calefacción y

ventilación) por el que se analizó el desempeño de controlador. Los costes se definen como:

∑‖ ( ) ( )‖

( ) ∑ ( )

( ) ∑ ( )

Para validar el rendimiento de los dos controladores se comparan varios parámetros

ER (precisión seguimiento set point), E (H) (consumo de energía de la calefacción), E (V)

(consumo de energía de la ventilación), σ∆H (desviación estándar de la calefacción de la señal

de control) y σ∆V (desviación estándar de la señal de control de la ventilación). Las tablas

siguientes muestran los resultados obtenidos con respecto controlador convencional y el

controlador MPC. Se puede concluir que el MPC con controlador de PSO fue capaz de reducir

el consumo de energía para las actividades de control de calefacción y ventilación con las

mismas consignas.


14

Combinando MPC con PSO no sólo es capaz de indicar la función de coste de energía

con flexibilidad, también se puede resolver problemas de optimización de procesos no lineales.

El controlador sugerido es capaz de minimizar los costos de energía para conseguir actuaciones

de temperatura dentro de una gama de objetivos.

9.6. Aplicación de métodos de inteligencia computacional para

modelar el ambiente de un Invernadero

Para construir los suficientes modelos climáticos del invernadero para el control

predictivo basado en modelos (MBPC), la influencia del clima exterior se debe tener en cuenta

una red neuronal Feed-forward de capas, que han sido ampliamente aplicadas en el campo de

modelado e identificación de sistemas no lineales que actúan como aproximaciones del

modelo.

Los modelos de cromosoma acoplados consisten en la concatenación de dos

cromosomas RNFBR individuales. El número de términos de entrada para cada modelo se

establece en 33 lo que hace que una longitud total de 68 cromosomas. Teniendo en cuenta el

aumento de tamaño del cromosoma individuos, el tamaño de la población Moga se aumentó a

250 individuos con el fin de garantizar que todos los términos de entrada aparecen varias

veces en la población inicial. Todos los parámetros de Moga restantes se han descrito con

anterioridad.

La tabla presenta la forma de la configuración de los objetivos del Moga para este

caso. Las expresiones OSATE (T+H) y OSAGE (T+H) se utilizan para la suma de los errores de

entrenamiento y la generalización de Feed-forward obtenidos por los modelos de temperatura

y humedad acoplados.


15

La figura siguiente muestra la relación entre pares de objetivos para los modelos en el

conjunto preferible.

La parte superior izquierda muestra claramente la relación lineal entre la formación y

los errores de generalización, y la pequeña degradación de error obtenido en los objetivos de

Feed-forward. El resto de la parte superior muestran la relación entre los errores de

entrenamiento sumados y las medidas de rendimiento de la predicción para los dos modelos

de la temperatura y la humedad. Cabe señalar que los mejores resultados de la predicción a

largo plazo no se obtienen los mejores predictores Feed-forward. En la parte inferior izquierda


16

de la figura (4 cuadrículas) permiten una mejor comprensión de esta característica, al mostrar

la relación entre los modelos de error de entrenamiento individual frente a las medidas de

desempeño de predicción a largo plazo. El mismo comportamiento es visible en las cuatro

parcelas, con énfasis en que la presentación de la OSATE (H) frente a máx (R (ET)) (T), que

muestra que la reducción al mínimo de la humedad de error de Feed-forward que se perjudica

la predicción a largo plazo del rendimiento de modelos de temperatura. En la parcela central

derecho, el conflicto entre ambos objetivos de predicción a largo plazo es evidente, que

muestra que la elección de los mejores modelos acoplados de predicción a largo plazo implica

un compromiso entre estos objetivos. Esta relación se mantiene cuando teniendo en cuenta

los objetivos de predicción a largo plazo obtenidos sobre el conjunto de datos de validación

(figura de abajo a la derecha) a pesar de la diferente escala x comprime el efecto.

La radiación solar es la variable de entrada predominante en las entradas de los

modelos y sus retrasos más grandes parece ser empleados para formar la incorporación básica

de la atractor que representa dinámica lenta durante períodos más largos de tiempo. Esto es

más evidente en el modelo de temperatura del invernadero y, en este caso, también se aplica

para la temperatura del aire exterior. El modelo de humedad no incluye ningún término de la

variable de entrada de humedad relativa exterior. La tendencia de esta variable ha rechazado

en los datos del modelo de humedad presente en la mayoría de los modelos de cromosomas.

Las figuras siguientes ilustran la predicción del rendimiento de los modelos elegidos.


17

Las predicciones Feed-forward siguen con precisión los valores medidos. Los

accesorios obtenidos para las predicciones de tres hora por delante demuestran un buen

seguimiento de los valores reales, aunque se deterioró por la propagación de errores, como

consecuencia de la operación a largo plazo de predicción de múltiples etapas y la cascada de

valores predichos perturbaciones externas empleadas en las entradas de los modelos. Las

evoluciones de R (ET) muestran claramente que está delimitado el error máximo y, como para

los modelos meteorológicos, muestra que, probablemente, es posible extender el horizonte de

predicción sin gran pérdida en el rendimiento de la predicción.


18

Todos los modelos, tanto de la temperatura y la humedad, en el conjunto de neuronas

preferible tenían 4. A este respecto, el acuerdo fue máximo. En cuanto al número de entradas,

la mayoría de los pares modelo tiende a tener un gran número de entradas,

predominantemente alrededor de 26 para la humedad y 33 (el máximo) para la temperatura,

lo que confirma que los modelos de temperatura tienen una mayor complejidad. Para los

modelos de temperatura, todas las variables ambientales estaban presentes en todos los

modelos, lo cual no era cierto para los modelos de humedad, donde la temperatura del

invernadero y la humedad exterior tenía términos sólo en una fracción de los modelos. Es

evidente que las variables ambientales tienen el mayor número de términos en los modelos. A

este respecto, el valor obtenido para la humedad exterior en el modelo de humedad

invernadero es considerablemente menor cuando se compara con las variables ambientales

restantes.


19

El esquema anterior presenta la disposición del modelo final para ser empleado en el

sistema de GEC, que muestra las interconexiones entre todos los modelos y que muestra de

manera explícita los caminos para el modelo que predice valores necesarios para la predicción

a largo plazo de varios pasos. Las predicciones necesarias para el control predictivo de la

temperatura y la humedad implican una cascada de 4 modelos, teniendo en cuenta la

retroalimentación de las variables modeladas. Esta disposición del modelo se aplicó para el

control predictivo del clima del invernadero y también en varias simulaciones del sistema de

control. En este caso, el clima del invernadero fue simulado usando los modelos y el ruido

aditivo tomadas a partir de distribuciones normales que se aproximan bastante bien las

distribuciones de error para Feed-forward obtenidos durante el entrenamiento del modelo.

Los datos del tiempo fuera empleado fue el medido por los sensores en el lugar de efecto

invernadero, a pesar de los valores del modelo de predicción se utilizan dentro del horizonte

de predicción como en la aplicación real.

La figura siguiente muestra las temperaturas reales y simuladas para los dos primeros

días del experimento. A pesar de algún desplazamiento desde el valor real a los valores

simulados, a nivel general, la tendencia de la evolución de la temperatura fue bien reflejada

por el modelo como una función de la verdadera del tiempo exterior y el clima pasado

simulada invernadero.


20

9.7. Enfoque híbrido Neuro-Difuso para modelar el clima de un

invernadero

Las redes neuronales difusas, al tener la capacidad de aproximaciones universales,

pueden modelar correctamente el comportamiento no lineal del clima del invernadero. Este

enfoque se ve fuertemente afectado por el ajuste inicial de parámetros.

Como se puede ver en las figuras, el modelado físico es insuficiente para las

predicciones precisas del comportamiento de las salidas del sistema. Con el fin de superar este

problema, se controla mediante una modificación menor del algoritmo.


21

Para solucionar el problema, se utilizó el algoritmo de clustering cercano, junto con la

adaptación de los centros de conglomerados. En este enfoque el centro de cada grupo se

desplaza hacia el centro de los datos.

Basado en el error de mínimos cuadrados, se puede inferir que la media de los datos

para cada grupo se representa más correctamente como el centro de ese clúster.


22

El centro de los clusters no es óptimo basado en el error de mínimos cuadrados

obtenidos de enfoque fuzzy clustering.

9.8 Optimización de modelo Fuzzy Clustering con algoritmo SOFM

Los algoritmos de asignación de funciones Autoconvocados (SOFM) se basan en el

aprendizaje competitivo y su principal objetivo es transformar un patrón de señal de entrada

de dimensión arbitraria en un solo mapa, y para llevar a cabo esta transformación adaptativa

de una manera ordenada topológicamente. El algoritmo se resume de la siguiente manera:

contenido de la organización y edición de organización antes de formatear.

Inicialización

Muestreo

Agrupación por similitud.

Actualización

Vuelta al inicio.

El algoritmo SOFM se utiliza con el fin de optimizar la estrategia de aproximación

propuesta modificada. Como se observa en la figura, los resultados de la simulación muestran

la eficacia del procedimiento propuesto y verificar la teoría para este enfoque.


23

Con el fin de diseñar controlador óptimo para el ahorro de energía, es necesario

predicción precisa de la temperatura del invernadero y la humedad para compensar los

efectos negativos del tiempo de retardo inherente del clima del invernadero. Los resultados de

la simulación demuestran la eficacia del enfoque propuesto para el modelado de clima del

invernadero y que verifican la teoría para el algoritmo, un modelo híbrido compuesto por un

método de aproximación (Clustering) y redes neuronales artificiales (SOFM) se propone para

predecir el clima del invernadero, es decir, la generación automática de reglas para la

estrategia de aproximación se ha optimizado con las redes neuronales. Usando el algoritmo de

agrupamiento, mejora significativamente la velocidad de convergencia del algoritmo de auto-

organizado muy lento.


24

9.9. Un algoritmo de control compatible para el control del clima de un

invernadero basado en una estrategia MOCC (Multi-Objective

Compatible Control)

Optimización Multi-Objetivo (MOO) es una de las áreas de investigación más activas en

la comunidad de computación evolutiva. Se propone un modelo climático del invernadero y un

nuevo algoritmo de control compatible con la adopción de un intervalo o de objetivos de

control de la región en lugar de los objetivos de control de set point, es decir, resolver este

tipo de problemas de optimización de control de conflictos de objetivos múltiples.

La figura muestra anterior el resultado obtenido por el uso del algoritmo de nivel de

optimización compatible. Se ve claramente que el consumo de energía siempre está en

conflicto con las precisiones de control. Para lograr diferente velocidad de convergencia, se

adoptan diferentes métodos de ajuste para el control de la tolerancia a la desviación ∆x en

cada paso iterativo:

Caso 1: ( )

Caso2:

√

√


25

La figura anterior muestra el efecto de control rápido en el caso 1. La temperatura y la

humedad están casi cerca de los puntos de referencia en la segunda iteración de forma

simultánea. El estado curva objetivo regula a las líneas horizontales, y es muy estable. La figura

siguiente muestra los resultados del control mediante el método de ajuste de caso 2. La

temperatura se regula rápidamente a entrar en las regiones del objetivo compatibles deseados

en la segunda iteración. En contraste, la humedad se acerca lentamente a la región de control

con el aumento de iteración. De los resultados anteriores, el efecto de control en el caso 1 es

mejor que en el caso 2, y lograr una estabilidad muy buena y robusta.


26

Se ha adoptado una arquitectura de control de bucle abierto para validar el

rendimiento, la población obtenida en cada iteración está involucrada directamente en la

siguiente optimización iterativa, y las salidas no tienen influencia en las entradas. Se muestra

en la figura siguiente que la temperatura y la humedad relativa regulada fluctúan a 29 ° C y

45%, respectivamente. Ninguno de los dos se regula a las regiones del objetivo. Especialmente,

la humedad relativa es sólo 45%, no es adecuado para el crecimiento de plantas. Además, el

rango de fluctuación de la temperatura se drástica en comparación con la humedad. En

comparación con la arquitectura de control bucle cerrado anteriormente, es obvio que la

estabilidad y robusto de control de lazo abierto son peor que el control de cierre de circuito.


27

El algoritmo propuesto tiene un buen rendimiento robusto y la estabilidad. Los

resultados de control pueden ser de gran valor y utilidad para la formulación de estrategias de

control ambiental, para perseguir el ahorro de energía, y para realizar gradualmente el

objetivo último de un control óptimo del medio ambiente.

9.10. Conclusiones

Ha sido ampliamente expuesto que el clima del invernadero es complejo. Compuesto

por dos subsistemas, el físico y el biológico, presenta una alta interacción no lineal entre

ambos, de hecho, se trata de sistemas no lineales, de múltiples entradas y múltiples salidas.

Debido al fuerte acoplamiento de las dos variables controladas principales: temperatura y

humedad, el problema del control no es trivial.

Los métodos convencionales de control (basados en encendido y apagado, o enfoques

PID) para el control del clima de un invernadero no son efectivos, a pesar de la facilidad de uso

e implementación. El motivo de la ineficacia de estos métodos son el bajo rendimiento

energético que poseen, y por lo tanto la pérdida económica que pueden producir. Tras el

estudio de los resultados anteriores se puede sacar las siguientes conclusiones.


28

El método para la linealización y de desacoplamiento para los sistemas con

perturbaciones externas medible como el que se tiene está basado en la técnica de

linealización feedback-feedforward permite relajar las no linealidades y acoplamiento del

invernadero, permitiendo el uso de métodos de control convencionales. Sin embargo al ser

una aproximación del sistema real existen ciertas discrepancias entre el modelo y la realidad.

Las limitaciones físicas de los actuadores son un problema añadido para el control.

Los algoritmos evolutivos para sintonización de control PID tienen en cuenta los

acoplamientos entre variables del sistema. Además establece un criterio de optimización para

el control. Muestran un buen rendimiento del control en su conjunto, a pesar de observarse

pequeñas sobreoscilaciones. Por otro lado se obtiene un tiempo de establecimiento rápido y

un buen rendimiento de la señal de cosigna.

La lógica difusa tiene la capacidad de aprendizaje para que, automáticamente, se

puedan modificar las reglas difusas. El modelado con reglas difusas de las leyes físicas del

invernadero permite manejar la no linealidad y acoplamiento del sistema.

Enjambre de partículas para la modelización del invernadero permite la aplicación de

control predictivo. El rendimiento del MPC depende en gran medida de la exactitud del

modelo del proceso. El controlador sugerido es capaz de minimizar los costos de energía para

conseguir actuaciones de temperatura dentro de una gama de objetivos.

Para el modelado e identificación de sistemas no lineales que actúan como

aproximaciones del modelo pueden ser aplicadas las redes neuronales Feed-forward de capas.

Se obtienen mejores resultados de la predicción a largo plazo.

Una estrategia hibrida neuro-difusa puede permitir el modelado del sistema del

invernadero. En contraste con un identificador de red neuronal, un identificador difuso tiene

algunas ventajas esenciales. Debido a su capacidad para manejar tanto los datos numéricos e

información lingüística, es factible aplicar sistema de lógica difusa para el modelado de clima

del invernadero y, a continuación proporcionar predicción para la elección de la decisión de

control óptimo.

Los algoritmos evolutivos multiobjetivo permite el modelado a pesar de que existan

objetivos contrapuesto en las variable de control. El algoritmo tiene un buen rendimiento

robusto y estable.

La complejidad del modelo y del control aumenta conforme se pretende modelar las

no linealidades y acoplamientos del invernadero. Sin embargo el aumento del rendimiento y,

por tanto, del ahorro energético y rendimiento productivo compensa el esfuerzo en el control

del sistema.

Con la linealización Feedback-Feedforward y desacoplamiento se obtiene un modo

simple de control donde es posible aplicar las técnicas clásicas de control, sin embargo es

mejorable puesto que no se ajusta perfectamente a la realidad.


29

Si se utilizan controladores PID no lineal Multi-Objetivo para Invernadero con

Algoritmos Evolutivos se mejoran los resultados, no obstante empezamos a introducir mayores

necesidades computacionales con los algoritmos evolutivos.

Una de las grandes lineas de investigación se basa en la utilización de redes

neurolanes. Un controlador no lineal adaptativo Neuro-PID de basado en la red RBF nos

proporciona el modelado que en los casos anteriores no se han tenido encuenta.

Sin embargo la complejidad de las redes neuronales, la convergencia y la necesidad de

aprendizaje suponen un tiempo inicial que se le debe dedicar para el ajuste del invernadero.

Con el uso de sistemas de lógica difusa adaptativo para el modelado del clima de un

invernadero se pueden introducir conocimiento de los operadores y falicitar la puesta en

funcionamiento del control. No obstante este modelo no demuestra todas las bondades que

debería, siendo aconsejables el uso de otros tipos de control.

Otro sistema de control avanzado es el modelo de control Predictivo del clima del

invernadero, basado en la optimización del enjambre de partículas. A diferencia de los casos

anteriores, es posible modelar las no linealidades y conseguir mejores rendimientos para el

consumo de energía.

Aplicación de métodos de inteligencia computacional para modelar el ambiente de un

Invernadero, es decir, uso de redes neuronales únicamente, los enfoques híbrido Neuro-Difuso

para modelar el clima de un invernadero y la optimización de modelo Fuzzy Clustering con

algoritmo SOFM pueden modelar las no linealidades del sistema, consiguiendo buenos

resultados para el control, aumentando el coste computacional en todos los casos.

9.11. Acciones futuras

Hasta ahora sólo se han considerado el control sobre las dos variables principales de

control: temperatura y humedad. Se propone como acciones futuras cambiar las variables a

controlar; del mismo modo se proponer aumentar el número de entradas y salidas en el

sistema de control, aumentando la complejidad de los modelos.

Por otro lado se han desacoplado el control del clima y el control del sustrato. Se

propone realizar un control conjunto en ambos subsistemas, considerando el acoplamiento

debido a la evaporación del agua y arrastre de nutrientes juntos con la humedad del propio

invernadero.

9. Algunas Simulaciones - Servidor de la Biblioteca de...

Documents

Transcript of 9. Algunas Simulaciones - Servidor de la Biblioteca de...