Inicio / Casos de estudio

Casos de estudio

Cuatro trabajos contados de la misma forma: el problema, la dinámica y las restricciones, lo que se construyó, cómo se validó y qué se aprendió. Más material puede compartirse bajo NDA.

Hablar de un problema similar

CERN · IAV · SkySails · desarrollos propios

Pruebas con contexto

Las referencias deben mostrar encaje, no solo impresionar

Para quien decide técnicamente, lo útil es saber si la experiencia encaja con el problema actual de control, estimación u optimización.

Parte de las pruebas es pública — publicaciones y certificados enlazados abajo. Otro material es más útil bajo NDA, una vez conocidos el sistema, las restricciones y el modo de fallo.

Rafał Noga en una revisión técnica de diseño con piezas y diagramas de sistema sobre la mesa
Las referencias establecen la relevancia antes de una conversación técnica seria.

Criogenia · NMPC · estimación de estado

NMPC en tiempo real para el circuito de helio superfluido del LHC

Contexto
CERN, Ginebra — investigador y doctorando (2007–2013); doctorado por la Universidad de Valladolid (2015).
Problema
Mantener los imanes superconductores del LHC a su temperatura de operación de 1,9 K. Por encima de 2,1 K un enclavamiento desenergiza los imanes; por encima de 2,16 K el helio deja de ser superfluido y un imán puede sufrir un quench.
Dinámica y restricciones
Termohidráulica distribuida fuertemente no lineal con tiempo muerto, respuesta inversa, saturación de actuadores y fuerte acoplamiento — y solo unas pocas medidas a lo largo de un largo circuito criogénico.
Enfoque existente
Control PI convencional, ajustado de forma conservadora para mantenerse lejos de los límites de temperatura.
Solución
Un modelo termohidráulico de primeros principios simplificado para tiempo real; estimación no lineal de horizonte móvil de los estados no medidos (5 estados termodinámicos a partir de 3 sensores de presión y temperatura, a 1 Hz); NMPC económico con realimentación de salida y los límites de temperatura como restricciones duras.
Implementación y validación
Generación semiautomática de código para el NMPC de un sistema rígido de parámetros distribuidos. Unos 1 s por estimación y 7–14 s por optimización. El controlador se probó en el CERN.
Resultado
Tras la misma perturbación, el NMPC estabilizó la temperatura del baño unas diez veces más rápido que el control PI anterior, sin violar el límite de 2,1 K.
Lecciones
El estimador decide lo bueno que puede ser el controlador. Un modelo simplificado que funciona en tiempo real supera a uno completo que no lo hace. Los límites duros pertenecen al problema de optimización, no a un ajuste conservador.
Pruebas

¿Tiene un problema similar de control u optimización? Reservar llamada de encaje técnico (30 min) →

Energía eólica · NMPC económico

Control avanzado para aerogeneradores de gran potencia

Contexto
IAV GmbH — ingeniero de control, I+D en control basado en modelos y control avanzado de aerogeneradores multimegavatio.
Problema
Los rotores más grandes hacen las turbinas más flexibles y más acopladas. El control debe equilibrar producción, cargas estructurales, uso de actuadores y estabilidad en regímenes de viento cambiantes.
Dinámica y restricciones
Torre y palas flexibles, actuadores de pitch y par con límites, viento turbulento medido solo indirectamente y regímenes de operación de carga parcial a plena carga.
Enfoque existente
En el control convencional de turbinas, los lazos de pitch y de par se ajustan por separado y una lógica supervisora conmuta entre regiones de operación.
Solución
Modelado de primeros principios orientado al control e identificación; estimación de estado no lineal; NMPC económico multiobjetivo; arquitectura y requisitos del controlador; diagnóstico y optimización de parámetros; herramientas de ingeniería para un despliegue repetible de métodos de control avanzado.
Implementación y validación
Diseño basado en modelos y simulación de la arquitectura de control, y herramientas para llevar conceptos de control avanzado hacia el uso industrial. Los detalles son confidenciales.
Resultado
Una arquitectura de control basada en modelos y herramientas de despliegue para turbinas multimegavatio; trabajo publicado sobre predicción de velocidad del viento a muy corto plazo para el control de turbinas (IECON 2018).
Lecciones
En máquinas grandes y flexibles, el problema suele estar en la arquitectura entre lazos, no en un solo lazo. El propio viento hay que estimarlo. El control avanzado solo compensa si puede desplegarse de forma repetible.
Pruebas

¿Tiene un problema similar de control u optimización? Reservar llamada de encaje técnico (30 min) →

Energía eólica aerotransportada · optimización de trayectorias

Automatización de vuelo y optimización de trayectorias para energía eólica aerotransportada

Contexto
SkySails Power GmbH, Hamburgo — ingeniero de control (hasta marzo de 2024).
Problema
Hacer volar de forma fiable un prototipo a escala real de una cometa cautiva con trim variable, y encontrar las trayectorias que producen más potencia dentro de los límites del sistema.
Dinámica y restricciones
Vuelo no lineal de un ala flexible y cautiva; fuertes perturbaciones de viento; sensórica a bordo limitada; restricciones aerodinámicas, mecánicas, eléctricas, geométricas y operativas.
Enfoque existente
Controles heredados del prototipo que había que ajustar y mejorar en el sistema real.
Solución
Ajuste del prototipo y análisis de datos de vuelo; identificación y mejora de la realimentación basada en modelos; adaptación de consignas; estimación de estado basada en UKF; optimización no lineal con restricciones de trayectorias 3D para cometas con trim variable.
Implementación y validación
Trabajo sobre el prototipo a escala real con datos de vuelo; flujos de optimización para consignas, estudios de rendimiento, análisis de sensibilidad y dimensionado de componentes; optimización de trayectorias en línea para vuelos autónomos de generación.
Resultado
Replanificación continua en línea para un sistema aerotransportado muy dinámico, y un método de optimización de trayectorias publicado como artículo (arXiv 2024).
Lecciones
En un sistema nuevo, primero hay que hacer utilizable el prototipo. Un optimizador de trayectorias solo es tan bueno como su modelo y las restricciones que respeta. Los datos de vuelo cierran la brecha entre modelo y realidad.
Pruebas

¿Tiene un problema similar de control u optimización? Reservar llamada de encaje técnico (30 min) →

Soft sensors · fusión de sensores

Estimar lo que no se puede medir directamente: un variómetro de fusión de sensores

Contexto
Desarrollo propio (SSDV12) — y el mismo patrón de estimación que en los casos anteriores.
Problema
Los pilotos de parapente necesitan una tasa de ascenso rápida y precisa. Los variómetros barométricos intercambian ruido por retardo, y el GPS solo es demasiado lento.
Dinámica y restricciones
Medidas de presión, inerciales y GPS con distinto ruido, retardo y sesgo; un sistema piloto–vela que se mueve en todos los ejes.
Enfoque existente
Variómetros barométricos cuyo filtrado cambia ruido por retardo.
Solución
Modelado de primeros principios y un estimador de fusión de sensores que combina medidas de presión, inerciales y GPS.
Implementación y validación
Estimador desarrollado y probado en vuelos experimentales; está previsto un prototipo de hardware.
Resultado
Un enfoque de estimación que funciona — y el mismo patrón (modelo + sensores disponibles + estimación no lineal) que en el CERN, IAV y SkySails.
Lecciones
Un soft sensor es un modelo más un estimador. El ruido, el retardo y el sesgo de cada sensor deben modelarse explícitamente.
Pruebas

¿Tiene un problema similar de control u optimización? Reservar llamada de encaje técnico (30 min) →

Cómo se comparten las pruebas

Públicas cuando es posible

Publicaciones, ponencias y certificados muestran la profundidad técnica sin exponer material confidencial.

Bajo NDA cuando es necesario

En muchos proyectos industriales, la prueba más útil se comparte tras una primera conversación de encaje y con confidencialidad mutua.

Orientadas a la decisión

No se trata de cantidad, sino de mostrar si la experiencia encaja con el problema concreto.

¿Tiene un problema similar de control, estimación u optimización?

Traiga el sistema, los síntomas principales y las restricciones duras. El encaje técnico suele quedar claro en 30 minutos.

Reservar llamada de encaje técnico (30 min) →

← Volver al inicio