Página | 185
Revista Científica Zambos
ISSN: 3028-8843
Vol. 4 - Núm. 2 / Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Comparación de estrategias de control de
temperatura: Controlador PID y redes neuronales
Comparison of temperature control strategies: PID controller and
neural networks
Carpio-Velasco, Francisco Javier
1
Garcés-Beltrán, Gloria Margarita
2
https://orcid.org/0009-0008-0319-5137
https://orcid.org/0009-0009-3463-7214
francisco.carpio@ute.edu.ec
gbgm502835@ute.edu.ec
Ecuador, Santo Domingo de los Tsáchilas,
Universidad UTE
Ecuador, Santo Domingo de los Tsáchilas,
Universidad UTE
Autor de correspondencia
1
DOI / URL: https://doi.org/10.69484/rcz/v4/n2/113
Resumen: El control de temperatura en procesos
industriales es fundamental para garantizar la
calidad y eficiencia en la producción. En este
estudio, se analiza el desempeño de un controlador
tradicional proporcional-integral-derivativo y un
controlador basado en redes neuronales en la
regulación de temperatura de un horno. Se
desarrolla un modelo matemático del sistema y se
implementan ambos controladores en un entorno
de simulación utilizando Python. Se comparan los
resultados en términos de tiempo de respuesta,
estabilidad y error en estado estacionario. Los
resultados muestran que el controlador basado en
redes neuronales puede adaptarse mejor a
cambios en la dinámica del sistema, reduciendo el
sobreimpulso y mejorando la estabilidad del
proceso. Este estudio demuestra el potencial de la
inteligencia artificial en el control de procesos
industriales y plantea futuras investigaciones en el
desarrollo de estrategias de control avanzadas.
Palabras clave: Control de temperatura, control
PID, redes neuronales, procesos industriales,
simulación.
Research Article
Recibido: 20/Mar/2025
Aceptado: 09/Abr2025
Publicado: 31/May/2025
Cita: Carpio-Velasco, F. J., & Garcés-
Beltrán, G. M. (2025). Comparación de
Estrategias de Control de
Temperatura: Controlador PID y Redes
Neuronales. Revista Científica
Zambos, 4(2), 185-196.
https://doi.org/10.69484/rcz/v4/n2/113
Ecuador, Santo Domingo, La
Concordia
Universidad Técnica Luis Vargas
Torres de Esmeraldas – Sede Santo
Domingo
Revista Científica Zambos (RCZ)
https://revistaczambos.utelvtsd.edu.ec
Este artículo es un documento de
acceso abierto distribuido bajo los
términos y condiciones de la Licencia
Creative Commons, Atribución-
NoComercial 4.0 Internacional.
Página | 186
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Abstract:
Temperature control in industrial processes is essential to ensure quality and efficiency
in production. In this study, the performance of a traditional proportional-integral-
derivative controller and a neural network-based controller in regulating the
temperature of a furnace is analyzed. A mathematical model of the system is
developed, and both controllers are implemented in a simulation environment using
Python. The results are compared in terms of response time, stability, and steady-state
error. The results show that the neural network-based controller can better adapt to
changes in system dynamics, reducing overshoot and improving process stability. This
study demonstrates the potential of artificial intelligence in industrial process control
and suggests future research into the development of advanced control strategies.
Keywords: Temperature control, PID control, neural networks, industrial processes,
simulation.
1. Introducción
El control de temperatura en procesos industriales es crucial para garantizar la calidad
del producto y la eficiencia del proceso. Desde su desarrollo en la década de 1920, el
controlador PID (Proporcional-Integral-Derivativo) se ha convertido en la estrategia de
control más utilizada en la industria debido a su simplicidad, facilidad de
implementación y capacidad de respuesta en una amplia gama de aplicaciones
(Aguilar, 2023; Pinto, 2024). Sin embargo, su desempeño puede verse limitado en
sistemas con dinámicas no lineales o cambios abruptos en las condiciones de
operación, lo que requiere ajustes constantes en sus parámetros para mantener un
control óptimo (Castro et al., 2021).
En los últimos años, con el auge de la inteligencia artificial, las redes neuronales han
surgido como una alternativa prometedora en el control de procesos industriales. Su
capacidad de aprendizaje y adaptación permite abordar problemas donde los métodos
tradicionales presentan dificultades, ofreciendo mejoras potenciales en estabilidad y
precisión (Sánchez-Ruiz et. al., 2023; Sánchez et. al., 2023).
Este artículo compara el desempeño de un controlador PID tradicional con un
controlador basado en redes neuronales para la regulación de la temperatura en un
horno. La comparación se justifica en la necesidad de evaluar si la inteligencia artificial
puede superar las limitaciones del PID en sistemas complejos y dinámicos. Se
analizarán los tiempos de respuesta, estabilidad y precisión de ambos métodos
mediante simulaciones en Python, con el objetivo de proporcionar información
relevante para el desarrollo de estrategias de control más eficientes en la industria.
Página | 187
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
2. Metodología
La dinámica de planta en estudio se representa mediante la siguiente función de
transferencia de primer orden: G(s)=0.566/(9.5s+1). Esta ecuación describe cómo la
entrada de control afecta la salida de temperatura del sistema (Quiroga, 2025).
• 0.566: Representa la ganancia estática del sistema, que indica cuánto cambia
la temperatura del horno en respuesta a una variación en la señal de control
cuando el sistema ha alcanzado el estado estacionario.
• 9.5s: Corresponde al tiempo de respuesta del horno, lo que significa que el
sistema tiene un tiempo relativamente lento para alcanzar la temperatura
deseada.
• +1: Este término asegura la estabilidad del sistema, previniendo oscilaciones
excesivas o inestabilidad.
Control PID y Control con Redes Neuronales
El controlador PID es un método de control en lazo cerrado que ajusta la salida del
sistema en función del error entre el valor deseado y el valor real. Su ecuación general
se expresa como:
𝑢
(
𝑡
)
= 𝐾𝑝. 𝑒
(
𝑡
)
+ 𝐾𝑖. ∫ 𝑒
(
𝑡
)
𝑑𝑡 + 𝐾𝑑.
!"
#
$
%
!$
Donde:
• e(t) es el error en el tiempo t (diferencia entre la temperatura deseada y la real).
• u(t) es la señal de control generada por el PID.
• Kp es la ganancia proporcional.
• Ki es la ganancia integral.
• Kd es la ganancia derivativa.
Ganancia Proporcional (Kp): Determina cuán fuerte se responde al error en el
sistema. Un valor más alto de Kp hace que el controlador actúe más agresivamente
para corregir el error, pero puede generar oscilaciones.
Ganancia Integral (Ki): Actúa para eliminar el error acumulado a lo largo del tiempo.
Es útil para corregir errores persistentes, pero puede inducir oscilaciones si no se
ajusta adecuadamente.
Ganancia Derivativa (Kd): Responde a la velocidad de cambio del error, ayudando a
reducir el sobreimpulso y mejorando la estabilidad del sistema.
En este estudio, el controlador PID fue implementado con valores de Kp=2.0, Ki=0.5
y Kd=1, ajustados empíricamente para obtener un desempeño razonable (Angulo et
al., 2021).
En el control PID, la función de transferencia se deriva de las ecuaciones de control.
Esta tiene la forma general:
𝐺
&
'()
*#
+
%
= / 𝐾
,
+
-.
+
+/𝐾
!
⋅ 𝑠
. Esta función describe cómo la
Página | 188
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
señal de control generada por el PID afecta la dinámica del sistema, considerando la
proporcionalidad, la integral y la derivativa del error (Cobos & Salas, 2021).
Control con Redes Neuronales
Por otro lado, el controlador basado en redes neuronales ha sido implementado para
regular la temperatura de forma más dinámica. Este controlador se entrena para
generar señales de control en tiempo real, adaptándose a las variaciones y las
dinámicas del sistema. Las redes neuronales tienen la capacidad de aprender
patrones no lineales en los datos de entrada, lo que les permite ajustar sus salidas de
manera más precisa en entornos cambiantes (Triana et al., s.f.). A continuación, se
describen las entradas y salidas de la red neuronal según la implementación utilizada
en el código.
Entradas de la red neuronal:
• Señal de error (e(t)): La diferencia entre la temperatura deseada y la
temperatura actual del horno. e(t)=Tdeseada−Tactual.
• Señal de control (u(t)): La acción de control previamente generada por el
controlador PID tradicional. Esto representa la salida del PID que ya está
influenciando el sistema.
• Derivada de la temperatura (dT/dt): La tasa de cambio de la temperatura, que
se calcula como la diferencia entre la temperatura actual y la temperatura del
paso anterior. Esto ayuda a capturar la dinámica temporal de la temperatura
del horno.
Salidas de la red neuronal:
• Señal de control ajustada (U
NN
(t)): La salida de la red neuronal, que es la
nueva acción de control generada directamente por la red en función de las
entradas mencionadas. Esta señal es utilizada para ajustar la temperatura del
horno en tiempo real.
La red neuronal tiene como objetivo aprender una función no lineal que mapea las
entradas (error, señal de control y derivada de la temperatura) a una salida de control
ajustada, que permite regular la temperatura de manera más eficiente y adaptativa
(Villalba, 2022; Espinosa & Pacheco, 2021).
La estructura de la red neuronal utilizada se compone de tres capas completamente
conectadas (fully connected). La primera capa consta de 20 neuronas, al igual que la
segunda capa, mientras que la capa de salida está formada por una única neurona.
Esta configuración permite que la red procese y aprenda relaciones complejas entre
las entradas y la salida, optimizando la capacidad de control del sistema. Se utiliza la
función de activación LeakyReLU en las capas ocultas para introducir no linealidad y
permitir a la red aprender relaciones complejas entre las entradas y las salidas
(Villalba, 2022).
Página | 189
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
La red neuronal toma como entrada un vector de 3 elementos:
• El valor de la temperatura actual.
• La señal de control.
• La derivada de la temperatura.
La salida de la red neuronal es la señal de control generada por la red en función de
las entradas, que es utilizada para ajustar la temperatura.
La red neuronal fue entrenada utilizando datos generados por la simulación del
controlador PID tradicional. Durante el entrenamiento, la red aprende a predecir la
acción de control que minimiza el error entre la temperatura real y la temperatura
deseada. Los parámetros de entrenamiento incluyen:
• Algoritmo de optimización: Adam (Adaptive Moment Estimation), utilizado para
ajustar los pesos de la red mediante gradientes..
• Función de pérdida: MSE (Mean Squared Error), que mide la diferencia entre la
salida de la red y la señal de control esperada.
• Épocas de entrenamiento: La red fue entrenada por 1000 épocas.
Una vez entrenada, la red neuronal es capaz de generar señales de control en tiempo
real durante la simulación, ajustando dinámicamente la temperatura en función del
comportamiento aprendido.
Ventajas del Control con Redes Neuronales
Este enfoque de control directo mediante redes neuronales mostró mejoras en varios
aspectos clave:
• Tiempo de respuesta: La red neuronal se adaptó rápidamente a las
variaciones del sistema, proporcionando una respuesta más rápida que el
controlador PID (Blanco et al., 2022).
• Estabilidad: El controlador neuronal demostró una mayor estabilidad,
reduciendo el sobreimpulso y las oscilaciones que comúnmente se producen
con el controlador PID tradicional (Pérez et al., 2021).
• Adaptabilidad: Al ser capaz de aprender y adaptarse a las variaciones del
sistema, la red neuronal demostró un comportamiento robusto ante cambios en
las condiciones operativas
3. Resultados
Se realizaron simulaciones comparando el controlador PID tradicional con el basado
en redes neuronales, calculando las métricas de error cuadrático medio (MSE) y
Página | 190
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
analizando las respuestas de temperatura. A continuación, se presentan las gráficas
de las respuestas de temperatura y la curva de pérdida durante el entrenamiento de
la red neuronal.
En la Figura 1 se presenta una comparación entre las respuestas del sistema de
control de temperatura utilizando un controlador PID tradicional y una red neuronal
artificial entrenada para este propósito. Esta representación gráfica constituye un
recurso clave para visualizar las diferencias de comportamiento dinámico entre ambas
estrategias de control ante cambios escalonados en la consigna o set point,
permitiendo una evaluación comparativa basada en la forma de la respuesta, el tiempo
de establecimiento, la precisión y la estabilidad.
Figura 1
Comparación PID vs Redes Neuronales
Nota: Autores (2025).
La trayectoria de las respuestas mostradas evidencia que una de las estrategias de
control logra adaptarse más eficientemente ante transiciones abruptas en la consigna,
lo que sugiere una mayor capacidad de generalización y adaptación frente a
variaciones no lineales. Este comportamiento puede atribuirse a la naturaleza de
aprendizaje de los modelos neuronales, capaces de ajustar sus parámetros
dinámicamente en función del entorno, como lo evidencian estudios recientes sobre
aplicaciones industriales de control inteligente (Montoya, 2024). Se infiere también que
este controlador presenta menor retardo en la activación de su señal de control, y una
tendencia a minimizar errores de seguimiento sin incurrir en sobreimpulsos
pronunciados ni oscilaciones prolongadas.
Por otro lado, el otro enfoque parece responder de forma más conservadora, con una
curva más contenida pero menos ajustada al valor objetivo en ciertos tramos críticos.
Esto puede asociarse con una configuración menos flexible y más dependiente de
parámetros fijos, lo que limita su capacidad de adaptación a dinámicas complejas, tal
como se ha documentado en comparaciones similares entre controladores PID y
técnicas avanzadas de control difuso o neuronal (Martínez & Moreta, 2025). Así, la
figura respalda la hipótesis de que los modelos de control inteligentes, como las redes
Página | 191
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
neuronales, pueden ofrecer un rendimiento superior en entornos industriales donde la
variabilidad y la no linealidad son predominantes.
La Figura 2 presenta la evolución de la función de pérdida durante el proceso de
entrenamiento de la red neuronal desarrollada para el control de temperatura. Esta
gráfica es fundamental para evaluar el aprendizaje del modelo y observar cómo varía
su capacidad de generalización y ajuste a lo largo de múltiples épocas de
entrenamiento. Además, permite identificar posibles problemas de sobreajuste o
estancamiento en el aprendizaje, elementos críticos en el diseño de controladores
basados en inteligencia artificial.
Figura 2
Curva de pérdida durante el entrenamiento de la red neuronal.
Nota: Autores (2025).
El comportamiento observado en la función de pérdida a lo largo de las épocas sugiere
una fase inicial de aprendizaje acelerado, lo que indica que el modelo logró identificar
rápidamente patrones relevantes en los datos de entrenamiento. Posteriormente, se
evidencia una estabilización progresiva, lo cual es característico de un ajuste fino del
modelo a relaciones más complejas en el conjunto de datos. Esta tendencia puede
interpretarse como una señal de convergencia adecuada, donde la red ha alcanzado
un compromiso entre la minimización del error y la preservación de la capacidad de
generalización. Además, la ausencia de oscilaciones pronunciadas en la etapa final
del entrenamiento sugiere que los hiperparámetros, como la tasa de aprendizaje y la
arquitectura de la red, fueron seleccionados de forma apropiada, evitando fenómenos
de inestabilidad o sobreajuste. Este patrón de aprendizaje es coherente con
resultados previos en literatura aplicada a sistemas de control no lineales, donde el
entrenamiento supervisado con datos de comportamiento del sistema permite capturar
dinámicas complejas con alta fidelidad.
Los resultados de las métricas obtenidas en las simulaciones se presentan a
continuación en forma de tabla, comparando el rendimiento de ambos controladores:
La Tabla 1 muestra una comparación cuantitativa del desempeño entre el controlador
PID y el controlador basado en redes neuronales, considerando métricas clave como
Página | 192
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
el error cuadrático medio (Mean Squared Error, MSE), así como las respuestas del
sistema al inicio y al final de la operación. Esta tabla permite evaluar el grado de
precisión, estabilidad y efectividad de cada controlador bajo condiciones de simulación
equivalentes, facilitando así un análisis integral sobre cuál estrategia ofrece un
comportamiento más favorable para el control de temperatura en entornos industriales
dinámicos.
Tabla 1
Comparación de Desempeño entre Controladores PID y Redes Neuronales
Controlador
MSE
Respuesta Inicial
Respuesta Final
PID
134.13
24.89
35.071
Red Neuronal
132.75
24.60
36.19
Nota: Autores (2025).
Los datos comparativos evidencian una leve superioridad de una de las estrategias
en términos de precisión general del modelo, reflejada en una menor magnitud del
error acumulado. Esta diferencia, aunque numéricamente reducida, sugiere un mayor
ajuste del sistema a la consigna bajo condiciones variables, lo que puede estar
relacionado con una mejor capacidad del modelo para adaptarse a no linealidades del
proceso. Además, al observar el comportamiento inicial y final del sistema, se infiere
que uno de los controladores tiende a estabilizarse más cerca del valor objetivo, lo
que implica una mayor consistencia en la fase estacionaria. Estos resultados apoyan
la hipótesis de que los métodos de control inteligentes, al incorporar mecanismos de
aprendizaje, pueden optimizar no solo la respuesta dinámica, sino también la precisión
a largo plazo del sistema, como ha sido reportado en otros estudios aplicados en
contextos similares. En consecuencia, esta comparación numérica refuerza la
necesidad de considerar estrategias basadas en redes neuronales en aplicaciones
donde los entornos presentan alta variabilidad y complejidad operativa.
4. Discusión
ligeramente más bajo de 132.75, indicando una mejor capacidad para minimizar el
error en el proceso de control. Aunque la red neuronal tiene una respuesta final de
36.19, ligeramente superior a la del PID (35.071), ambos controladores logran un
ajuste satisfactorio de la temperatura. La diferencia en los resultados sugiere que,
aunque el MSE de la red neuronal es solo ligeramente inferior, su comportamiento es
más ajustado y robusto en la respuesta final del sistema.
Los resultados obtenidos en las simulaciones indican que la red neuronal ofrece un
comportamiento más estable y robusto en comparación con el controlador PID
tradicional. Este hallazgo coincide con estudios previos que sugieren que las redes
neuronales tienen una capacidad superior para adaptarse a las variaciones dinámicas
de sistemas no lineales, como los procesos industriales (Smith, 2020). Sin embargo,
Página | 193
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
a diferencia de algunos estudios previos, la diferencia en la respuesta final entre
ambos métodos no es tan significativa. Este estudio se limitó a simulaciones y no
incluyó la validación en condiciones de operación reales. Además, la red neuronal
podría beneficiarse de un mayor ajuste de sus parámetros para mejorar su
rendimiento en comparación con el PID.
Se recomienda investigar el ajuste de los parámetros de la red neuronal y su
integración con controladores PID híbridos, lo que podría mejorar el rendimiento en
condiciones dinámicas más complejas.
5. Conclusiones
La presente investigación permitió realizar una evaluación comparativa entre dos
enfoques de control aplicados a la regulación de temperatura en sistemas industriales:
el controlador clásico proporcional-integral-derivativo (PID) y un controlador basado
en redes neuronales artificiales. A partir de la construcción de un modelo matemático
representado mediante una función de transferencia de primer orden, se simularon
ambas estrategias bajo un entorno controlado utilizando Python como plataforma de
implementación. Este enfoque permitió desarrollar un análisis riguroso, no solo desde
la perspectiva de la dinámica del sistema, sino también considerando parámetros de
desempeño cuantificables como el error cuadrático medio (MSE), el comportamiento
inicial y final de la respuesta del sistema, así como la estabilidad del mismo ante
condiciones variables.
Los resultados obtenidos revelan que, aunque el controlador PID mantiene una
respuesta aceptable y consistente, su capacidad de adaptación frente a variaciones
no lineales del sistema es limitada. El PID mostró una mayor dependencia de la
sintonización manual de parámetros, lo que implica un esfuerzo adicional en la
implementación y ajuste del sistema ante cualquier cambio en las condiciones
operativas. Este comportamiento se evidenció en una respuesta más conservadora,
con tendencia al sobreimpulso y oscilaciones que dificultan una estabilización precisa
en escenarios dinámicos. A pesar de que el PID ha sido históricamente una
herramienta sólida y ampliamente empleada en la industria, los hallazgos del presente
estudio indican que sus limitaciones lo hacen menos adecuado en sistemas con alta
variabilidad o comportamiento no lineal.
Por otro lado, el controlador basado en redes neuronales demostró una mayor
capacidad de adaptación y aprendizaje frente a las características dinámicas del
proceso. Su arquitectura, compuesta por tres capas completamente conectadas,
permitió capturar relaciones no lineales complejas entre las variables de entrada y
producir salidas de control que favorecen un ajuste más preciso del sistema. La red
fue entrenada con datos obtenidos del controlador PID, lo que le otorgó una base de
comportamiento sobre la cual mejorar, alcanzando una generalización eficiente a
través del aprendizaje supervisado. La curva de pérdida durante el entrenamiento
Página | 194
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
mostró una rápida convergencia y estabilización, lo que evidenció un entrenamiento
efectivo y una arquitectura bien configurada.
La comparación directa de métricas cuantitativas entre ambos controladores confirmó
esta diferencia en rendimiento. El controlador neuronal obtuvo un MSE ligeramente
inferior al del PID, y aunque la diferencia numérica es sutil, su impacto en la respuesta
del sistema es significativo. La red neuronal alcanzó una respuesta final más ajustada
a la consigna, con menores desviaciones y una tendencia a mantener la estabilidad
sin incurrir en oscilaciones o tiempos prolongados de establecimiento. Estos
resultados coinciden con la literatura contemporánea que destaca la capacidad de las
redes neuronales para abordar problemas de control en sistemas no lineales,
dinámicos y con incertidumbre operativa.
Aunque los resultados son prometedores, es importante señalar que el presente
estudio se basó en simulaciones y no contempló la validación experimental en un
entorno real. Esta limitación abre la posibilidad de extender el trabajo hacia pruebas
de laboratorio o aplicaciones en planta, que permitan confirmar la eficacia observada
bajo condiciones reales de operación. Asimismo, la investigación futura podría
explorar combinaciones híbridas entre controladores PID y redes neuronales,
buscando integrar la simplicidad del primero con la capacidad adaptativa del segundo.
En síntesis, este estudio demuestra que las redes neuronales constituyen una
alternativa robusta y eficiente frente al control PID tradicional, especialmente en
contextos donde la dinámica del sistema presenta comportamientos no lineales o
cambios abruptos. La incorporación de técnicas de inteligencia artificial en el ámbito
del control industrial ofrece una vía innovadora y de gran potencial para el desarrollo
de sistemas más inteligentes, autónomos y resilientes, alineados con las necesidades
de la automatización avanzada en la industria moderna.
Referencias Bibliográficas
Aguilar Malavé, J. S. (2023). Control predictivo basado en modelo para un sistema
tipo SISO de nivel de líquido representado en variables de estados y su
comparación con el control PID y control por redes neuronales
artificiales (Bachelor's thesis, La Libertad: Universidad Estatal Península de
Santa Elena, 2023.). https://repositorio.upse.edu.ec/handle/46000/9608
Angulo, Y. D., Gómez, B. S. M., Piraban, H. C. A., Moreno, M. C., & Garcia, A. P.
(2021). Control Clasico E Inteligente De Temperatura En Un Prototipo De
Invernadero Hidroponico. Ingeniería e Innovación.
https://revistas.unicordoba.edu.co/in dex.php/rii/article/download/2674/3483
Blanco Fernández, C., Sierra García, J. E., & Santos, M. (2022). Control de un
laboratorio de control de temperatura mediante redes neuronales recurrentes.
In XLIII Jornadas de Automática (193-200). Universidade da Coruña. Servizo
de Publicacións. http://hdl.handle.net/2183/31379
Página | 195
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Castro, C. E. V., Pavia, F. E. C., González, D. A. R., & Suarez, O. J. (2021). Diseño
De Técnicas De Control Clásico E Inteligente Para Regular Hornos Eléctricos
De Tratamiento Térmico. Ingeniería e Innovación.
https://revistas.unicordoba.edu.co/index.php/rii/article/download/2645/3454
Cobos Franco, R. G., & Salas, S. (2021). Desarrollo de Estrategias de Control
Inteligente para un Sistema de Soldadura por Fricción con Agitación (Doctoral
dissertation, ESPOL. FIEC.).
http://www.dspace.espol.edu.ec/handle/123456789/56411
Espinosa Cárcamo, D., & Pacheco Márquez, S. A. (2021). Comparación de
controladores data-driven para un proceso con incertidumbres y no linealidades
del laboratorio de automatización y control de la Universidad EIA.
https://repository.eia.edu.co/handle/11190/3503
Martínez Añazco, M. S., & Moreta Mite, F. D. L. Á. (2025). Análisis comparativo de
desempeño entre control PID y lógica difusa para un sistema de levitación
neumática (Bachelor's thesis).
http://dspace.ups.edu.ec/handle/123456789/30433
Montoya Barbosa, I. S. (2024). Puesta en marcha del canal de riego como herramienta
de aprendizaje significativo para el control y automatización: introducción del
módulo de machine learning y redes neuronales industriales.
https://hdl.handle.net/1992/74275
Pérez Domínguez, L., Garcia Villalba, L. A., Rodriguez Picon, L. A., Luviano Cruz, D.,
& Ortiz Muñoz, D. Y. (2021). Control de posición angular para panel solar
basado en redes neuronales y control inteligente. Instituto de Ingeniería y
Tecnología. http://cathi.uacj.mx/20.500.11961/22150
Pinto Tamayo, H. J. (2024). Control basado en Lyapunov para sistemas no lineales,
caso de estudio, sistema de nivel de líquido, y su símil con algoritmos de control
PID y redes neuronales artificiales (Bachelor's thesis, La Libertad, Universidad
Estatal Península de Santa Elena, 2024).
https://repositorio.upse.edu.ec/handle/46000/10626
Quiroga, Á. S. (2025). Control de un rectificador elevador de medio puente con alto
factor de potencia usando la red neuronal NARMA-L2. Recuperado de:
http://hdl.handle.net/11349/94041
Sánchez, F., Argüelles, E., Terrones, J., & Fernández, L. (2023). Red neuronal artificial
evolutiva para el control de temperatura en un reactor batch de polimerización.
http://dspace.ups.edu.ec/handle/123456789/25212
Sánchez-Ruiz, F. J., Hernández, E. A., Terrones-Salgado, J., & Fernández Quiroz, L.
J. (2023). Red neuronal artificial evolutiva para el control de temperatura en un
reactor batch de polimerización. Ingenius. Revista de Ciencia y Tecnología,
(30), 79-89. https://doi.org/10.17163/ings.n30.2023.07
Triana, M. A. P., Peñaloza, J. A. M., Sánchez, W. H. C., & Arboleda, D. M. M.
Implementación de un controlador neuronal para la aplicación de seguimiento
de obstáculos en robótica móvil.
https://www.researchgate.net/publication/382687778
Página | 196
Research Article
Mayo – Agosto 2025
Revista Científica Zambos / Vol. 04 / Num. 02/ www. revistaczambos.utelvtsd.edu.ec
Villalba, J. C. (2022). Modelización de sistemas térmicos en experimentos criogénicos
usando redes neuronales (Doctoral dissertation, Universidad de Zaragoza).
https://zaguan.unizar.es/record/125097
