No description available.

This thesis proposes, validates, and compares low-complexity algorithms for the fast-and-safe charge and balance of Li-ion batteries both for the single cell case and for the case of a serially-connected string of battery cells. The proposed algorithms are based on a reduced-order electrochemical model (Equivalent Hydraulic Model, EHM), and make use of constrained-control strategies to limit the main electrochemical degradation phenomena that may accelerate aging, namely: Lithium plating in the anode and solvent oxidation inthe cathode. To avoid the computational intensiveness of solving an online optimization as in the Model Predictive Control (MPC) framework, this thesis proposes the use of Reference Governor schemes. Variants of both the Scalar Reference Governors (SRG) and the Explicit Reference Governors (ERG) are developed to deal with the non-convex admissible region for the charge of a battery cell, while keeping a low computational burden. To evaluate the performance of the proposed techniques for the single cell case, they are experimentallyvalidated on commercial Turnigy LCO cells of 160 mAh at four different constant temperatures (10, 20, 30 and 40 °C). In the second part of this thesis, the proposed charging strategies are extended to take into account the balance of a serially-connected string of cells. To equalize possible mismatches, a centralized policy based on a shunting grid (active balance) connects or disconnects the cells during the charge. After a preliminary analysis, a simple mixed-integer algorithm was proposed. Since this method is computationally inefficient due to the high number of scenarios to be evaluated, this thesis proposes a ratio-based algorithm based on a Pulse-Width Modulation (PWM) approach. This approach can be used within both MPC and RG schemes. The numerical validations of the proposed algorithms for the case of a string of four battery cells are carried out using a simulator based on a full-order electrochemical model. Numerical validations show that the PWM-like approach charges in parallel all the cells within the pack, whereas the mixed-integer approach charges the battery cells sequentially from the battery cell with the lowest state of charge to the ones with the highest states of charge. On the basis of the simulations, an algorithm based on a mixed logic that allows to charge in a “sequential parallel” approach is proposed. Some conclusions and future directions of research are proposed at the end of the thesis. / Doctorat en Sciences de l'ingénieur et technologie / info:eu-repo/semantics/nonPublished

Die vorliegende Arbeit befasst sich mit datengetriebenen Modellierungsansätzen in der Gebäudetechnik zum Zweck des Entwurfs modellprädiktiver Regler. Dabei widmet sich der erste Teil (Kapitel 2 und 3) im Wesentlichen den theoretischen Grundlagen der Systemidentifikation wohingegen im zweiten Teil (Kapitel 4 bis 6) praktische Anwendungen der Identifikation sowie die Implementierung modellprädiktiver Regler im Gebäudebereich im Vordergrund stehen. Die Grundlage der Arbeit stellt die Systemidentifikation mittels der Prädiktionsfehlerminimierung (Prediction Error Minimization – PEM) dar, deren Basis stochastische Modelle dynamischer Systeme bilden. Daher wird ausgehend von den unterschiedlichen Darstellungsformen stochastischer linearer zeitinvarianter Systeme (LTI-Systeme) die Problematik der optimalen Prädiktion thematisiert, wobei ein allgemeiner Ausdruck zur Berechnung der Mehrschrittprädiktion von LTI-Systemen hergeleitet wird. Anschließend werden Implementierungsaspekte von Mehr- bzw. Multischritt-PEM-Verfahren diskutiert und der Schätzer im Frequenzbereich analysiert, wobei sich verglichen mit der 1-Schritt-PEM eine erwartungsgemäß andere Wichtung des geschätzten Modells im Frequenzbereich ergibt. Die aus diesen Untersuchungen gewonnen Identifizierbarkeitsbedingungen entsprechen im offenen Regelkreis den bekannten Bedingungen der 1-Schritt-PEM, wohingegen sich im geschlossenen Regelkreis eine restriktivere Bedingung ergibt. Die weiterhin durchgeführte Genauigkeitsanalyse führt letztlich zu einem Ausdruck für die Abschätzung der Schätzfehlerkovarianzmatrix der Modellparameter, welche wiederum für die Varianz- bzw. Konfidenzschätzung anderer Systemmerkmale genutzt werden kann. In der Gebäudetechnik spielen nichtlineare Modellansätze eine wichtige Rolle. Für diese ist die explizite Berechnung der optimalen Prädiktion, und damit eine Identifikation mittels PEM, in der Regel problematisch bzw. nicht möglich. In der Arbeit werden daher zwei nichtlineare Modellstrukturen vorgeschlagen, für welche entsprechende Ausdrücke angegeben werden können, sodass eine direkte Anwendung der PEM ermöglicht wird. Dabei hat sich im Anwendungsteil der Arbeit herausgestellt, dass einer dieser Ansätze sinnvoll in der Gebäudetechnik genutzt werden kann. Aufgrund der Ähnlichkeit zum linearen Fall können zudem die Ideen, die typischerweise für die Parametrierung stochastischer LTI Systeme genutzt werden, auf den nichtlinearen Fall übertragen werden. Im Anwendungsteil der Arbeit wird dann die Nutzung der PEM im Gebäudebereich anhand praktisch aufgenommener Messdaten einiger Demonstratoren veranschaulicht. Es werden Modell- und Identifikationsansätze für die Schätzung von thermischen Raummodellen sowie einer Gastherme und einer Wärmepumpe vorgeschlagen, wobei plausible Identifikationsergebnisse erzielt werden konnten. Weiterhin wird im Rahmen der Identifikation von thermischen Raummodellen auch auf die wichtige Problematik nicht messbarer Störungen (z. B. Raumbelegung sowie Wärmeströme aus Nachbarräumen) eingegangen und mögliche Lösungsansätze aufgezeigt. Aufgrund der umfangreichen Sensorausstattung einiger Demonstratoren konnte zudem ein direkter Vergleich eines LTI-Modells mit dem obig genannten nichtlinearen Modellansatz durchgeführt werden, wobei eine vergleichbare Prädiktionsgüte beider Modellierungsansätze festgestellt wurde. Im letzten Teil wird dann der Entwurf modellprädiktiver Regler anhand zweier typischer Beispiele aus der Gebäudetechnik veranschaulicht. Für die Demonstration des Vorgehens werden Regelstreckenmodelle mittels der Modelica Buildings Bibliothek entworfen und dann für die Generierung synthetischer Daten verwendet, welche zur Identifikation von Modellen für den MPC Entwurf verwendet werden. Die identifizierten Modelle sind in beiden Fällen in der Lage das dynamische Verhalten des Modelica Prozessmodells hinreichend gut vorherzusagen, was die Sinnhaftigkeit des gewählten Modellierungs- bzw. Identifikationsansatzes untermauert. Aufbauend wird dann für beide Beispiele auf die Formulierung einer prädiktiven Regelungsstrategie eingegangen, wobei spezielle Modelleigenschaften ausgenutzt werden. Für beide Beispiele konnten simulativ Vorteile gegenüber einer konventionellen Regelungsstrategie nachgewiesen werden.

[pt] A crescente demanda por sistemas de transporte autônomos e inteligentes exige o desenvolvimento de técnicas avançadas de controle e estimativa, visando garantir operações seguras e eficientes. Devido à natureza não linear da dinâmica veicular e seus fenômenos característicos, os métodos clássicos de estimativa e controle podem não alcançar resultados adequados, o que incentiva a pesquisa de novos algoritmos. Por algumas contribuições, a primeira parte deste trabalho trata de algoritmos de estimação, tanto para identificação de parâmetros invariantes no tempo, quanto para estimação de estados e parâmetros variantes no tempo. Especial destaque é dados aos algoritmos de Estimação de Estados por Horizonte Móvel (MHSE), que se apresenta como robusto e preciso, devido ao problema de otimização com restrição em que se baseia. Este algoritmo é avaliado em dinâmica longitudinal de veículos, para estimativa de deslizamento longitudinal e coeficiente de atrito pneu-estrada. Apesar de sua eficiência, o alto custo computacional torna necessária a busca por alternativas sub-ótimas, e o emprego de Redes Neurais que mapeiam os resultados da otimização é uma solução promissora, que é tratada como Estimação por Horizonte Móvel com Redes Neurais (NNMHE). O NNMHE é avaliado em uma estimativa do estado de carga (SOC) de baterias para veículos elétricos, demonstrando, através de dados experimentais, que o NNMHE emula com precisão o problema de otimização e a literatura indica sua aplicação efetiva em hardwares embarcados. Por fim, é apresentada uma contribuição sobre o controle preditivo baseado em modelo não linear (NMPC). É proposto e avaliado seu uso compondo uma nova estrutura de controle hierárquica para veículos elétricos com motores independentes nas rodas, através do qual é possível controlar adequadamente o veículo em tarefas de rastreamento de velocidade e trajetória, com reduzido esforço computacional. O controle é avaliado usando dados experimentais de pneus obtidos, que aproximam a simulação de situações reais. / [en] The rising demand of autonomous and intelligent transportation systems requires the development of advanced control and estimation techniques, aiming to ensure safety and efficient operations. Due to the nonlinear nature of vehicle dynamics and its characteristic phenomena, classical estimation and control methods may not achieve adequate results, which encourages the research of novel algorithms. By some contributions, the first part of this work deals with estimation algorithms, both for identification of time invariant parameters and for estimation of states and time varying parameters. Special emphasis is given to Moving-Horizon State Estimation (MHSE), which is presented to be robust and accurate, due to the constrained optimization problem on which it is based. This algorithm is evaluated in vehicle longitudinal dynamics, for slip and tire-road friction estimation. Despite its efficiency, the high computational cost makes it necessary to search for suboptimal alternatives, and the employ of a Neural Networks that maps the optimization results is a promising solution, which is treated as Neural Networks Moving-Horizon Estimation (NNMHE). The NNMHE is evaluated on a state-of-charge (SOC) estimation of batteries for electric vehicles, demonstrating, through experimental data, that the NNMHE emulates accurately the optimization problem, and the literature indicates its effectively application on embedded hardware. Finally, a contribution about Nonlinear Model-based Predictive Control (NMPC) is presented. It is proposed and evaluated its use compounding a novel hierarchical control framework for electric vehicles with independent in-wheel motors, through which it is possible to adequately control the vehicle on velocity and path tracking tasks, with reduced computational effort. The control is evaluated using experimental obtained tire data, which approaches the simulation to real situations.

Today the majority of the driver assistance systems are rule-basedcontrol systems that help the driver control the truck. But driversare looking for something more personal and exible that can controlthe truck in a human way with their own preferences. Machine learningand articial intelligence can help achieve this aim. In this studyArticial Neural Networks are used to model the driver steering behaviourin the Scania Lane Keeping Assist. Based on this, trajectoryplanning and steering wheel torque response are modelled to t thedriver preference. A model predictive controller can be used to maintainstate limitations and to weigh the two modelled driver preferencestogether. Due to the diculties in obtaining an internal plant modelfor the model predictive controller a variant of a PI-controller is addedfor integral action instead. The articial neural network also containsan online learning feature to further customize the t to the driverpreference over time. / Idag används till största del regelbaserade reglersystem förförarassistanssystem i lastbilar. Men lastbilschaufförer vill ha någotmer personligt och flexibelt, som kan styra lastbilen på ett mänskligtsätt med förarens egna preferenser. Maskininlärning och artificiell intelligenskan hjälpa till för att uppnå detta mål. I denna studie användsartificiella neurala nätverk för att modellera förarens styrbeteende genomScania Lane Keeping Assist. Med användning av detta modellerasförarens preferenser med avseende på placering på vägbanan och momentpåslag på ratten. En modell prediktiv kontroller kan användas föratt begränsa tillstånd och för att väga de två modellerade preferensernamot varann. Eftersom det var mycket svårt att ta fram den internaprocessmodellen som krävdes för regulatorn används istället en variantav en PI-kontroller för att styra lastbilen. De artificiella neuralanätverken kan också tillåtas att lära sig under körning för att anpassasig till förarens preferenser över tid.

The automotive industry has been actively seeking ways to reduce emissions and combat global warming. While pure battery electric vehicles have shown promise in achieving zero-tailpipe emissions, they face challenges in meeting the energy demands of large construction machines like excavators and wheel loaders, due to the heavy batteries required. To overcome this issue, Fuel Cell Hybrid Electric Vehicles (FCHEV) have emerged as a potential solution. However, efficient energy management systems are crucial for FCHEV, as fuel cells are slow-reacting devices and construction machines operate with highly transient work cycles. This thesis addresses the need for an effective energy management strategy by developing a controller and machine load predictor for an FCHEV. The proposed approach utilizes Model Predictive Control (MPC) to minimize an objective function encompassing hydrogen consumption and rate constraints. The controller determines the optimal power split between the fuel cell and battery over a specific time-horizon, ensuring power demand is met while adhering to system constraints. Additionally, an auto-correlation-based machine load predictor is integrated with the controller to optimize the power split between the battery and fuel cell. By implementing the MPC combined with the auto-correlation-based load predictor, the FCHEV effectively utilizes a narrower battery State of Charge (SoC) window, potentially reducing the required battery size in the machine. Moreover, the strategy reduces transients in fuel cell power, slowing down degradation and enhancing its lifetime, in comparison to Volvo Construction Equipment AB’s (Volvo CE) previous real-time power-split function. This research contributes to the development of energy-efficient solutions for large construction machines, particularly in the context of FCHEV. The proposed energy management strategy utilizing MPC and load prediction techniques holds promise for improving overall system performance, reducing hydrogen consumption, and limiting the degradation of fuel cell and battery components. / Bilindustrin har sedan länge sökt sätt att minska utsläppen och bekämpa den globala uppvärmningen. Även om rent batteridrivna elektriska fordon är i princip avgasfria, så är det utmananade att möta energikraven för stora byggmaskiner som grävmaskiner och hjullastare med endast batterier. För att övervinna detta problem har bränslecell-hybrid-elektriska fordon (FCHEV från engelskans Fuel-cell hybrid electrical vehicle) identifierats som en potentiell lösning. Dock är effektiva energihanteringssystem avgörande för FCHEV, eftersom bränsleceller reagerar långsamt och byggmaskiner arbetar med snabbt varierande arbetscykler. Detta examensarbete försöker att möta behovet av en effektiv energihanteringsstrategi genom att utveckla en styrenhet och maskinbelastningsprognos för en FCHEV. Det föreslagna tillvägagångssättet använder modellprediktiv reglering (MPC) för att minimera en målfunktion som ta hänsyn till både vätekonsumtion och hastighetsbegränsningar. Styrenheten bestämmer den optimala effektfördelningen mellan bränslecellen och batteriet över en specifik tidshorisont, och säkerställer att effektkravet uppfylls samtidigt som systembegränsningarna följs. Dessutom integreras en auto-korrelationsbaserad maskinbelastningsprediktor med styrenheten för att optimera effektfördelningen mellan batteriet och bränslecellen. Genom att implementera MPC i kombination med den auto-korrelationsbaserade belastningsprognosen, använder FCHEV effektivt ett smalare fönster för batterets laddningstillstånd (SoC), vilket potentiellt minskar den nödvändiga batteristorleken i maskinen. Dessutom minskar strategin transienter i bränslecellseffekten och förbättrar dess livstid, jämfört med Volvo Construction Equipment AB:s (Volvo CE) tidigare lösning. Denna forskning bidrar till utvecklingen av energieffektiva lösningar för stora byggmaskiner, särskilt i sammanhanget FCHEV. Den föreslagna energihanteringsstrategin, med sin kombination av MPC och belastningsprediktionstekniker, har en potential att förbättra den totala systemprestandan, minska vätekonsumtionen och begränsa försämringen av bränslecell- och batterikomponenter.

Autonomous Driving Systems (ADS), a subcategory of Cyber-Physical Systems (CPS) are becoming increasingly popular with ubiquitous deployment. They provide advanced operational functions for perception and control, but this also raises the question of their safety capability. Such questions include if the vehicle can stay within its lane, keep a safe distance from the leading vehicle, or avoid obstacles, especially under the presence of uncertainties. In this master thesis, the operational safety of ADS will be addressed, more specifically on the Adaptive Cruise Control (ACC) system by modeling an optimal control problem based on Control Barrier Function (CBF) unified with Model Predictive Control (MPC). The corresponding optimal control problem is robust against measurement uncertainties for an Autonomous Vehicle (AV) driving on a highway, where the measurement uncertainties will represent the common faults in the perception system of the AV. A Kalman Filter (KF) is also added to the system to investigate the performance difference. The resulting framework is implemented and evaluated on a simulation scenario created in the open-source autonomous driving simulator CARLA. Simulations show that MPC-CBF is indeed robust against measurement uncertainties for well-selected horizon and slack variable values. The simulations also show that adding a KF improves the overall performance. The higher the horizon, the more confident the system becomes as the distance to the leading vehicle decreases. However, this may cause infeasibility where there are no solutions to the optimal control problem during sudden braking as the AV cannot brake fast enough before it crashes. Meanwhile, the smaller the slack variable, the more restrictive becomes CBF where it impacts more on the control input than desired which could also cause infeasibility. The results of this thesis will help to facilitate safety-critical CPS development to be deployed in real-world applications. / Autonoma körsystem (ADS), som är en del av cyberfysiska system (CPS), har blivit alltmer populär med allestädes närvarande användning. Det bidra med avancerade operativa funktioner för perception och styrning, men samtidig väcker detta också frågan om dess säkerhetsförmåga. Sådana frågor inkluderar om fordonet kan hålla sig inom sitt körfält, om det kan hålla ett säkert avstånd till det ledande fordonet eller om det kan undvika hinder, speciellt under osäkerheter hos systemet. I detta examensarbete kommer driftsäkerheten hos ADS att behandlas, mer specifik på adaptiv farthållare (ACC) genom att modellera ett optimalt kontrollproblem baserat på kontrollbarriärfunktion (CBF) förenat med modellförutsägande styrning (MPC). Motsvarande optimalt kontrollproblem är robust mot mätosäkerheter för ett autonomt fordon som kör på en motorväg, där mätosäkerheterna representerar vanliga fel i AV:s perceptionssystem. Ett Kalmanfilter (KF) läggs också till i systemet för att undersöka skillnaden i prestanda. Det resulterande ramverket implementeras och utvärderas på ett simuleringsscenario som skapats i den öppna källkodssimulatorn för autonom körning CARLA. Simulationer visar att MPC-CBF är robust mot mätosäkerheter för väl valda värden för horisont och slackvariabler. Det visar också att systemets prestanda förbättrats ännu mer om ett KF läggs till. Ju större horisont, desto mer självsäkert blir systemet när avståndet till det ledande fordonet minskar. Detta kan dock leda till att det inte finns några lösningar på det optimala kontrollproblemet vid plötslig inbromsning, eftersom fordonet inte hinner bromsa tillräckligt snabbt innan det kraschar. Ju mindre slackvariabeln är, desto mer restriktiv blir CBF som påverkar styrningen mer än vad som är önskvärt vilket också kan leda till olösbart optimalt kontrollproblem. Resultatet från detta examensarbete bär syftet att gynna utvecklingen av säkerhetkritisk CPS som ska användas i praktiska tillämpningar.

Energy storage systems with many Lithium Ion battery cells per string require sophisticated balancing hardware due to individual cells having manufacturing inconsistencies, different self discharge rates, internal resistances and temperature variations. For capacity maximization, safe operation, and extended lifetime, battery balancing is required. Redistributive Non-Dissipative balancing further improves the pack capacity and efficiency over a Dissipative approach where energy is wasted as heat across shunt resistors. Redistribution techniques dynamically shuttle charge to and from weak cells during operation such that all of the stored energy in the stack is utilized. This thesis identifies and develops different balancing control methods. These methods include a unconstrained optimization problem using a Linear Quadratic Regulator (LQR) and a constrained optimization problem using Model Predictive Control (MPC). These methods are benchmarked against traditional rule based (RB) balancing. The control systems are developed using MATLAB/Simulink and validated experimentally on a multiple transformer individual cell to stack topology. The implementation uses a DC2100A Demo-board from Linear Technology with bi-directional flyback converters to transfer the energy between the cells. The results of this thesis show that the MPC control method has the highest balancing efficiency and minimum balancing time. / Thesis / Master of Applied Science (MASc)

Robotics is an interdisciplinary field that integrates computer science, electrical engineering, mechanical engineering, control engineering and other related fields. As the quick development of these fields, people have been building more complex robots with more advanced control strategies in order to solve more challenging tasks. In addition, it is always a target for researchers to achieve autonomous operation of robots so that the manpower can be saved and the robot can work in harsh environment like on Mars. In this project, I focus on the trajectory planning problem of a unicycle model running in 2D environment. I choose Path Integral Policy Improvement (PI2) control algorithm in this project as the main study object. And Model Predictive Control (MPC) is chosen as a reference in order to be compared with PI2 to evaluate the performance of PI2. In order to simulate the tasks that the robot needs to handle in practice, I use obstacles to represent the complex environment and I use Signal Temporal Logic (STL) to represent the complex tasks. Furthermore, I also incorporate the deep dynamics model in the project so that the the method put forward in this project is able to handle complex robot models and complex working environments. To evaluate the performances of PI2 and MPC, five criteria are put forward in this project. Finally, based on the evaluation results, possible improvement and future research are proposed. / Robotics är ett tvärvetenskapligt område som integrerar datavetenskap, elektroteknik, maskinteknik, styrteknik och andra relaterade områden. Som den snabba utvecklingen av dessa fält har människor byggt mer komplexa robotar med mer avancerade kontrollstrategier för att lösa mer utmanande uppgifter. Dessutom är det alltid ett mål för forskare att uppnå autonom drift av robotar så att arbetskraften kan sparas och roboten kan arbeta i tuffa miljöer som på Mars. I det här projektet fokuserar jag på banplaneringsproblemet för en enhjulingsmodell som körs i 2D-miljö. Jag väljer Path Integral Policy Improvement (PI2) kontrollalgoritm i detta projekt som huvudstudieobjekt. Och Model Predictive Control (MPC) väljs som referens för att kunna jämföras med PI2 för att utvärdera prestandan för PI2. För att simulera de uppgifter som roboten behöver hantera i praktiken använder jag hinder för att representera den komplexa miljön och jag använder Signal Temporal Logic (STL) för att representera de komplexa uppgifterna. Dessutom införlivar jag också den djupa dynamikmodellen i projektet så att metoden som läggs fram i detta projekt kan hantera komplexa robotmodeller och komplexa arbetsmiljöer. För att utvärdera prestanda för PI2 och MPC presenteras fem kriterier i detta projekt. Slutligen, baserat på utvärderingsresultaten, föreslås möjliga förbättringar och framtida forskning.

[ES] Los altos costes energéticos, las constantes medidas regulatorias aplicadas por las administraciones para mantener bajos los costes sanitarios, así como los cambios en la normativa sanitaria que se han introducido en los últimos años, han tenido un impacto significativo en la industria farmacéutica y sanitaria. El paradigma Industria 4.0 engloba cambios en el modelo productivo tradicional de la industria farmacéutica con la inclusión de tecnologías que van más allá de la automatización tradicional. El objetivo principal es lograr medicamentos más rentables mediante la incorporación óptima de tecnologías como la analítica avanzada. El proceso de fabricación de las industrias farmacéuticas tiene diferentes etapas (mezclado, secado, compactado, recubrimiento, envasado, etc.) donde una de las etapas más costosas energéticamente es el proceso de secado. El objetivo durante este proceso es extraer el contenido de líquidos como el agua mediante la inyección de aire caliente y seco en el sistema. Este tiempo de secado normalmente está predeterminado y depende del volumen y el tipo de unidades de producto farmacéutico que se deben deshidratar. Por otro lado, la fase de precalentamiento puede variar dependiendo de varios parámetros como la experiencia del operador. Por lo tanto, es posible asumir que una optimización de este proceso a través de analítica avanzada es posible y puede tener un efecto significativo en la reducción de costes en todo el proceso de fabricación. Debido al alto coste de la maquinaria involucrada en el proceso de producción de medicamentos, es una práctica común en la industria farmacéutica tratar de maximizar la vida útil de estas máquinas que no están equipados con los últimos sensores. Así pues, es posible implementar un modelo de aprendizaje automático que utilice plataformas de analítica avanzada, como la computación en la nube, para analizar los posibles ahorros en el consumo de energía. Esta tesis está enfocada en mejorar el consumo de energía en el proceso de precalentamiento de un secador de lecho fluido, mediante la definición e implementación de una plataforma de computación en la nube IIOT (Industrial Internet of Things)-Cloud, para alojar y ejecutar un algoritmo de aprendizaje automático basado en el modelo Catboost, para predecir cuándo es el momento óptimo para detener el proceso y reducir su duración y, en consecuencia, su consumo energético. Los resultados experimentales muestran que es posible reducir el proceso de precalentamiento en un 45% de su duración en tiempo y, en consecuencia, reducir el consumo de energía hasta 2.8 MWh por año. / [CAT] Els elevats costos energètics, les constants mesures reguladores aplicades per les administracions per mantenir uns costos assistencials baixos, així com els canvis en la normativa sanitària que s'han introduït en els darrers anys, han tingut un impacte important en el sector farmacèutic i sanitari. El paradigma de la indústria 4.0 engloba els canvis en el model de producció tradicional de la indústria farmacèutica amb la inclusió de tecnologies que van més enllà de l'automatització tradicional. L'objectiu principal és aconseguir fàrmacs més rendibles mitjançant la incorporació òptima de tecnologies com l'analítica avançada. El procés de fabricació de les indústries farmacèutiques té diferents etapes (mescla, assecat, compactació, recobriment, envasat, etc.) on una de les etapes més costoses energèticament és el procés d'assecat. L'objectiu d'aquest procés és extreure el contingut de líquids com l'aigua injectant aire calent i sec al sistema. Aquest temps de procediment d'assecat normalment està predeterminat i depèn del volum i del tipus d'unitats de producte farmacèutic que cal deshidratar. D'altra banda, la fase de preescalfament pot variar en funció de diversos paràmetres com l'experiència de l'operador. Per tant, podem assumir que una optimització d'aquest procés mitjançant analítiques avançades és possible i pot tenir un efecte significatiu de reducció de costos en tot el procés de fabricació. A causa de l'elevat cost de la maquinària implicada en el procés de producció de fàrmacs, és una pràctica habitual a la indústria farmacèutica intentar maximitzar la vida útil d'aquestes màquines que no estan equipats amb els darrers sensors. Així, es pot implementar un model d'aprenentatge automàtic que utilitza plataformes de analítiques avançades com la computació en núvol, per analitzar l'estalvi potencial del consum d'energia. Aquesta tesis està enfocada a millorar el consum d'energia en el procés de preescalfament d'un assecador de llit fluid, mitjançant la definició i implementació d'una plataforma IIOT (Industrial Internet of Things)-Cloud computing, per allotjar i executar un algorisme d'aprenentatge automàtic basat en el modelatge Catboost, per predir quan és el moment òptim per aturar el procés i reduir-ne la durada, i en conseqüència el seu consum energètic. Els resultats de l'experiment mostren que és possible reduir el procés de preescalfament en un 45% de la seva durada en temps i, en conseqüència, reduir el consum d'energia fins a 2.8 MWh anuals. / [EN] High energy costs, the constant regulatory measures applied by administrations to maintain low healthcare costs, and the changes in healthcare regulations introduced in recent years have all significantly impacted the pharmaceutical and healthcare industry. The industry 4.0 paradigm encompasses changes in the traditional production model of the pharmaceutical industry with the inclusion of technologies beyond traditional automation. The primary goal is to achieve more cost-efficient drugs through the optimal incorporation of technologies such as advanced analytics. The manufacturing process of the pharmaceutical industry has different stages (mixing, drying, compacting, coating, packaging, etc..), and one of the most energy-expensive stages is the drying process. This process aims to extract the liquid content, such as water, by injecting warm and dry air into the system. This drying procedure time usually is predetermined and depends on the volume and the kind of units of a pharmaceutical product that must be dehydrated. On the other hand, the preheating phase can vary depending on various parameters, such as the operator's experience. It is, therefore, safe to assume that optimization of this process through advanced analytics is possible and can have a significant cost-reducing effect on the whole manufacturing process. Due to the high cost of the machinery involved in the drug production process, it is common practice in the pharmaceutical industry to try to maximize the useful life of these machines, which are not equipped with the latest sensors. Thus, a machine learning model using advanced analytics platforms, such as cloud computing, can be implemented to analyze potential energy consumption savings. This thesis is focused on improving the energy consumption in the preheating process of a fluid bed dryer by defining and implementing an IIOT (Industrial Internet of Things) Cloud computing platform. This architecture will host and run a machine learning algorithm based on Catboost modeling to predict when the optimum time is reached to stop the process, reduce its duration, and consequently its energy consumption. Experimental results show that it is possible to reduce the preheating process by 45% of its time duration, consequently reducing energy consumption by up to 2.8 MWh per year. / Barriga Rodríguez, R. (2023). Optimization of Fluid Bed Dryer Energy Consumption for Pharmaceutical Drug Processes through Machine Learning and Cloud Computing Technologies [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/195847