Resumen de Modelos de ensamblaje con redes neuronales para la identificación de sistemas

Ángel de la Peña, Eloy Irigoyen Gordo, Mikel Larrea Sukia

• español

  Este trabajo se centra en la obtención de modelos dinámicos complejos que puedan integrarse en un controlador predictivo basado en modelo (MPC). El objetivo es modelar sistemas no lineales y multivariables mediante redes neuronales NARX (redes autorregresivas no lineales con entradas exógenas). Para mejorar la precisión y robustez del modelo generado, se propone una estrategia basada en modelos de ensamblaje (\textit{ensemble models}), combinando múltiples redes entrenadas de forma independiente. Se llevan a cabo dos experimentos: el primero, utilizando datos sintéticos de diversa naturaleza, analiza el impacto de la diversidad en el conjunto de modelos; el segundo, empleando datos reales de un reactor químico, evalúa la aplicabilidad del enfoque en entornos reales con múltiples variables. En ambos casos, se demuestra que los métodos de ensamblaje mejoran el rendimiento en comparación con los modelos individuales.

• English

  This work focuses on the development of complex dynamic models that can be integrated into a model predictive controller (MPC). The aim is to model nonlinear and multivariable systems using NARX neural networks (Nonlinear Autoregressive Networks with Exogenous Inputs). To improve the accuracy and robustness of the model obtained by the network, an ensemble modelling strategy is proposed, combining multiple independently trained networks. Two experiments are conducted: the first uses synthetic data of different natures to analyze the impact of diversity in the ensemble; the second one uses real data from a chemical reactor to assess the applicability of the approach in real-world multivariable environments. In both cases, it is shown that ensemble methods improve performance compared to individual models.