Los autores declaran que no existen conflictos de intereses.
Conceptualización: Carlos Gabriel Mackencie Tobar
Curación de los datos, análisis formal: Carlos Gabriel Mackencie Tobar, Deivis Rodrígo Parrales Chancay
Investigación, administración del proyecto: Carlos Gabriel Mackencie Tobar, Deivis Rodrígo Parrales Chancay
Adquisición de los fondos, validación: Carlos Gabriel Mackencie Tobar, Deivis Rodrígo Parrales Chancay
Supervisión: Carlos Gabriel Mackencie Tobar, Deivis Rodrígo Parrales Chancay
Edición y redacción: Carlos Gabriel Mackencie Tobar
El artículo tiene como objetivo proponer pautas pedagógicas centrales para la integración del control predictivo basado en redes neuronales artificiales en la formación universitaria en automatización. La metodología se sustentó en una revisión sistemática de literatura especializada publicada entre 2013 y 2024. El análisis permitió identificar elementos técnicos con mayor potencial educativo para la enseñanza del control avanzado. Como resultado, se sistematizan cuatro pautas centrales. Se concluye que la implementación didáctica del control predictivo neuronal requiere un enfoque intencional que transforme la complejidad matemática en experiencias de aprendizaje significativas y orientadas al desarrollo de competencias profesionales.
La formación en ingeniería de control y automatización se encuentra en un punto de inflexión. Por una parte, los avances en inteligencia artificial y aprendizaje automático han revolucionado las estrategias para el control de sistemas complejos, dando lugar a enfoques como el control predictivo neuronal (ANN-MPC) que combinan la capacidad predictiva del MPC tradicional con la flexibilidad de aprendizaje de las redes neuronales. Por otra parte, las aulas universitarias enfrentan el reto constante de hacer accesibles estos conceptos avanzados a estudiantes que aún dominan los fundamentos de la teoría de control clásica, (
Esta desconexión entre los avances técnicos y su asimilación pedagógica constituye una brecha significativa. Existe abundante literatura técnica que demuestra la eficacia del ANN-MPC en aplicaciones industriales (
¿Cómo transformar la complejidad matemática del control predictivo no lineal (NMPC) en experiencias de aprendizaje significativas? ¿Qué elementos del diseño ANN-MPC poseen mayor valor formativo? ¿Cómo utilizar entornos de simulación no solo como herramientas de verificación, sino como espacios para el desarrollo del razonamiento de ingeniería?
El presente artículo aborda precisamente esta brecha, proponiendo un conjunto de pautas para la contextualización educativa del control predictivo neuronal. Como escenario pedagógico, se retoma el sistema de tanques interconectados, un clásico en la enseñanza del control por su dinámica intrínsecamente no lineal, su naturaleza multivariable y los fenómenos de fase no mínima que presenta.
Este sistema ofrece una ventaja didáctica crucial: su comportamiento es físicamente intuitivo (el flujo entre tanques, el nivel del líquido), lo que permite a los estudiantes concentrarse en los conceptos de control sin perder la conexión con la realidad física.
La formación en automatización y control enfrenta el reto de preparar a los estudiantes para comprender y gestionar sistemas dinámicos cada vez más complejos, caracterizados por comportamientos no lineales, acoplamientos multivariables e incertidumbres difíciles de representar mediante modelos matemáticos tradicionales. En este escenario, la integración de técnicas de inteligencia artificial, particularmente las redes neuronales artificiales (ANN) y las redes neuronales profundas (DNN), ha adquirido un papel relevante tanto en el ámbito científico como en el educativo, al posibilitar nuevas formas de modelación, predicción y análisis de sistemas dinámicos complejos
El control predictivo basado en modelos (MPC) se ha consolidado como una estrategia avanzada ampliamente utilizada en aplicaciones industriales; no obstante, su incorporación en contextos educativos presenta limitaciones asociadas a la elevada complejidad matemática de los modelos no lineales y al alto costo computacional del control predictivo no lineal (NMPC)
En respuesta a estas dificultades, diversos estudios han propuesto el uso de redes neuronales artificiales como modelos internos del controlador predictivo, dando lugar al enfoque conocido como control predictivo neuronal (ANN-MPC), el cual permite aproximar dinámicas complejas a partir de datos, reduciendo la carga computacional y facilitando su comprensión desde una perspectiva formativa (
Los sistemas de tanques interconectados constituyen un referente clásico en la enseñanza del control automático, debido a su carácter no lineal, multivariable y a la presencia de fenómenos como la fase no mínima. Investigaciones previas han demostrado que estos sistemas permiten ilustrar de manera efectiva conceptos fundamentales de modelación, identificación de parámetros, sintonización de controladores y análisis de estabilidad, lo que los convierte en un recurso didáctico idóneo para la contextualización educativa del control predictivo avanzado
En este sentido, la literatura reciente evidencia que la integración de redes neuronales artificiales y profundas en esquemas de control predictivo mejora el desempeño técnico de los sistemas y, al mismo tiempo, ofrece un alto valor pedagógico al favorecer el aprendizaje basado en datos y el uso de la simulación computacional como laboratorio virtual
Desde esta perspectiva, se hace necesario sistematizar las pautas que orienten la contextualización educativa del uso de redes neuronales integradas al control predictivo, atendiendo no solo a su eficiencia técnica, sino a su potencial formativo en la enseñanza de la automatización, el control inteligente y la inteligencia artificial aplicada. En consecuencia, el presente artículo busca responder a la pregunta: ¿Cómo podemos diseñar actividades de aprendizaje que permitan a los estudiantes de ingeniería no solo comprender, sino también diseñar, implementar y evaluar estrategias de control predictivo basadas en redes neuronales, utilizando recursos y plazos compatibles con un curso universitario?
La investigación se sustenta en un enfoque cualitativo, mediante el empleo del método de análisis documental, orientado a la interpretación pedagógica de los avances científicos en el área del control predictivo basado en redes neuronales. El análisis-síntesis, para examinar los fundamentos de las redes neuronales artificiales, profundas y su integración en estrategias de control predictivo, y sintetizar pautas para su aplicación educativa y el método de inducción-deducción, con el propósito de identificar regularidades en los estudios analizados y derivar principios didácticos aplicables a la enseñanza del control no lineal.
La metodología se estructuró en cuatro etapas, orientadas explícitamente a la contextualización educativa del contenido, en correspondencia con el objetivo planteado.
Etapa 1. Identificación y selección de fuentes relevantes.
Se realizó una búsqueda intencional de literatura científica publicada entre 2019 y 2024, relacionada con: redes neuronales artificiales y profundas, control predictivo no lineal (MPC, NMPC, ANN-MPC, RNN-MPC), sistemas de tanques interconectados, aplicaciones de simulación y modelación con fines formativos.
Se priorizaron estudios con aportes metodológicos claros, resultados reproducibles y potencial de uso educativo.
Etapa 2. Análisis técnico-pedagógico de los modelos
Las fuentes seleccionadas fueron analizadas considerando: tipos de arquitecturas neuronales (MLP, NARX, RNN, DNN), algoritmos de entrenamiento y optimización, parámetros de sintonización del controlador predictivo (NP, NC, Ts, Q, R), nivel de complejidad y comprensión para estudiantes. Este análisis permitió identificar qué modelos resultan más adecuados para ser utilizados como recursos didácticos en la enseñanza del control avanzado.
Etapa 3. Sistematización de pautas para la contextualización educativa
A partir del análisis realizado, se sistematizaron pautas orientadas al uso de la simulación computacional como laboratorio virtual, el aprendizaje basado en datos generados por sistemas dinámicos, la comprensión de la no linealidad y el acoplamiento multivariable, el desarrollo de competencias en modelación, predicción y toma de decisiones. Se consideró el sistema de tanques interconectados como escenario pedagógico idóneo para introducir conceptos de control predictivo neuronal.
Etapa 4. Integración del marco teórico-referencial
Se construyó un marco teórico integrado que articula los aportes de diversos autores, destacando su valor para la docencia universitaria, la investigación formativa y la enseñanza de la inteligencia artificial aplicada al control de procesos.
Las redes neuronales profundas (Deep Neural Networks, DNN) son una extensión de las redes neuronales tradicionales que utilizan múltiples capas ocultas para procesar información compleja. Estas arquitecturas están diseñadas para aprender representaciones jerárquicas de datos, lo que les permite capturar características de alto nivel y patrones complejos. Se consideran parte del aprendizaje profundo (Deep Learning) y pueden manejar millones de parámetros, dependiendo de la complejidad del problema que abordan
Las DNN están formadas por múltiples capas ocultas situadas entre la capa de entrada y la capa de salida. Cada capa oculta realiza cálculos no lineales y transforma la entrada para que la capa siguiente pueda extraer características más abstractas. Estas capas pueden estar totalmente conectadas (fullyconnected) o parcialmente conectadas, dependiendo del diseño del modelo. Además, algunas arquitecturas incluyen estructuras recurrentes para permitir la realimentación y el aprendizaje de dependencias temporales
En las DNN, los datos se propagan hacia adelante a través de las capas (feed-forward), pasando por funciones de activación no lineales que permiten al modelo aprender relaciones complejas. En el proceso de entrenamiento, el modelo modifica sus pesos a través de un algoritmo de optimización que busca reducir una función de error, utilizando el método de retro propagación. Este proceso iterativo ajusta gradualmente los pesos para mejorar la precisión del modelo
El modelo propuesto por
Según (
El análisis de la literatura reveló que los estudios técnicos sobre ANN-MPC, aunque no escritos con fines pedagógicos, encierran un valioso potencial formativo cuando se examinan a través de una lente educativa.
Más que un simple ejemplo, el sistema de tanques constituye un "microcosmos" pedagógico. Su dinámica, descrita por ecuaciones diferenciales no lineales basadas en principios de conservación de masa es lo suficientemente compleja para desbordar las técnicas de control lineal convencionales, pero lo suficientemente transparente como para que los estudiantes puedan formarse una intuición física,
La riqueza didáctica de este escenario radica en su capacidad para ilustrar múltiples conceptos de control avanzado de manera interconectada: acoplamiento multivariable (el nivel en un tanque afecta al otro), comportamientos de fase no mínima (una respuesta inicial en dirección contraria a la deseada) y la necesidad de manejar restricciones físicas (niveles máximos, caudales limitados). Al mantener este escenario constante a lo largo de un curso, los estudiantes pueden observar cómo diferentes estrategias de control (PID, MPC lineal, ANN-MPC) abordan los mismos desafíos fundamentales, facilitando la comparación profunda.
Uno de los obstáculos históricos para la enseñanza del NMPC ha sido la necesidad de un modelo analítico preciso del sistema, cuya derivación y linealización consume tiempo y se enfoca en habilidades matemáticas más que de ingeniería. Aquí es donde el ANN-MPC introduce un cambio de paradigma con profundo valor pedagógico.
Investigaciones como las de
El aprendizaje basado en datos reduce la barrera de entrada matemática y alinea la enseñanza con las prácticas actuales de la industria, donde los modelos basados en datos son cada vez más prevalentes. Además, permite discutir conceptos cruciales como el sobreajuste, la generalización y la importancia de los conjuntos de datos de validación, conectando así el control con temas fundamentales de la ciencia de datos,
Los sistemas de tanques interconectados han sido ampliamente utilizados en la literatura como casos de estudio para la enseñanza del control automático, debido a su comportamiento no lineal, su acoplamiento multivariable y la presencia de dinámicas de fase no mínima
Además, los estudios de
El análisis comparativo de estudios recientes revela que el enfoque ANN-MPC presenta ventajas pedagógicas significativas frente al control predictivo no lineal clásico (NMPC). Por un lado,
Por otro lado,
La utilización de simulación computacional se revela como un componente clave para la enseñanza del control predictivo neuronal. Los trabajos de
Esta estrategia se alinea con enfoques pedagógicos constructivistas, donde el aprendizaje se construye a partir de la experiencia y la reflexión sobre los resultados obtenidos
La síntesis de los hallazgos revisados permite identificar un conjunto de pautas metodológicas que orientan la contextualización educativa del control predictivo basado en redes neuronales, teniendo en cuenta la progresión lógica de los contenidos y las necesidades formativas de los estudiantes:
Secuenciación progresiva de modelos: Introducir inicialmente redes neuronales simples (p. ej., MLP) antes de avanzar hacia modelos más complejos (NARX, RNN, DNN), facilitando así la construcción gradual de competencias cognitivas. Uso de sistemas de tanques interconectados: Emplear este tipo de sistema como escenario didáctico integrador que permite observar fenómenos no lineales y respuestas multivariables en tiempo real o simulado. Simulación computacional como laboratorio: Favorecer el uso de entornos de simulación para generar y manipular datos, permitiendo a los estudiantes experimentar con modelos neuronales y controladores predictivos sin riesgos prácticos. Comparación de enfoques de control: Diseñar actividades que permitan contrastar enfoques de MPC lineal, NMPC y ANN-MPC, de modo que los estudiantes comprendan ventajas, limitaciones y aplicaciones de cada uno. Interpretación de resultados y análisis crítico: Enfatizar la interpretación de respuestas del sistema, análisis de errores y evaluación de desempeño de los controladores en términos de conceptos formativos. Desarrollo de competencias transversales: Promover actividades que integren modelación, programación, análisis de datos y toma de decisiones responsable, consolidando habilidades aplicables en contextos reales.
El análisis de la literatura revisada permitió identificar un conjunto de resultados relevantes para la
En primer lugar, se constató que las redes neuronales artificiales, especialmente las arquitecturas tipo MLP, NARX y RNN, constituyen modelos adecuados para representar sistemas dinámicos no lineales desde una perspectiva educativa, al permitir aproximar el comportamiento del sistema sin recurrir a formulaciones matemáticas complejas
En segundo lugar, los estudios analizados evidencian que la integración de ANN y DNN en esquemas de control predictivo (ANN-MPC y RNN-MPC) reduce significativamente la carga computacional en comparación con el NMPC tradicional, manteniendo niveles de precisión aceptables
Otro resultado relevante es la identificación de los
Asimismo, se evidenció que el empleo de datos generados por simulación computacional constituye una estrategia pedagógica válida para el entrenamiento de modelos neuronales en contextos educativos, promoviendo el aprendizaje basado en datos y el desarrollo de competencias en modelación, análisis y validación de sistemas
El análisis permitió sistematizar un conjunto de
Los resultados obtenidos confirman que el control predictivo basado en redes neuronales artificiales y profundas no solo representa un avance técnico en el ámbito del control de sistemas no lineales, sino que posee un elevado potencial educativo cuando se emplea de forma contextualizada y didácticamente estructurada.
La posibilidad de utilizar redes neuronales como modelos internos del controlador predictivo permite desplazar el énfasis formativo desde la resolución analítica de ecuaciones complejas hacia la comprensión del comportamiento dinámico del sistema y la interpretación de los resultados, lo cual coincide con los enfoques pedagógicos centrados en el aprendizaje activo y basado en problemas. En este sentido, los aportes de
Se connota también que la reducción del tiempo de cómputo lograda por los esquemas ANN-MPC y RNN-MPC, reportada por
Por otra parte, el uso de sistemas de tanques interconectados como escenario de aprendizaje refuerza la contextualización del contenido, al tratarse de sistemas ampliamente reconocidos en la literatura y en la enseñanza del control automático. Esto favorece la transferencia de conocimientos y la integración de conceptos de inteligencia artificial, control predictivo y modelación no lineal en un mismo entorno formativo.
En consecuencia, la discusión reafirma que la incorporación de redes neuronales en el control predictivo debe concebirse no solo como una estrategia de optimización del desempeño del sistema, sino como un recurso pedagógico que contribuye al desarrollo de competencias profesionales en automatización, análisis de sistemas y toma de decisiones basada en datos.
El análisis realizado permitió identificar que la integración de redes neuronales artificiales y profundas en esquemas de control predictivo no lineal constituye una alternativa pedagógica pertinente para la formación en automatización y control, al facilitar la comprensión de sistemas dinámicos complejos desde un enfoque basado en datos y simulación computacional.
Se constató que el control predictivo neuronal favorece la contextualización educativa de conceptos avanzados como la no linealidad, el acoplamiento multivariable y la fase no mínima, reduciendo la dependencia de modelos matemáticos de alta complejidad y promoviendo un aprendizaje más significativo y aplicado.
Los sistemas de tanques interconectados se consolidan como un recurso didáctico eficaz para la enseñanza del control predictivo basado en redes neuronales, al permitir la integración coherente de contenidos de modelación, identificación, predicción y toma de decisiones en un mismo entorno formativo.
Las pautas metodológicas propuestas ofrecen una guía estructurada para la incorporación progresiva del control predictivo basado en redes neuronales en los procesos de enseñanza-aprendizaje, atendiendo a la complejidad cognitiva del estudiante y al desarrollo de competencias en modelación, análisis de sistemas y uso de herramientas de inteligencia artificial aplicada.
El enfoque educativo del control predictivo basado en redes neuronales contribuye a fortalecer la formación integral de los futuros profesionales de la automatización, al articular teoría y práctica mediante estrategias didácticas innovadoras, contextualizadas y alineadas con las demandas actuales de la ingeniería y la educación superior.
Este marco se ha derivado de la revisión de literatura técnica, por lo que su validación empírica en aulas reales es el paso natural siguiente. Futuras investigaciones deberían medir el impacto de estas pautas en el desarrollo de competencias específicas y en la motivación de los estudiantes. Además, se requiere el desarrollo colaborativo de recursos educativos abiertos (conjuntos de datos, modelos de simulación, guías de actividades) que permitan a más docentes adoptar este enfoque sin comenzar desde cero.
This article aims to propose core pedagogical guidelines for integrating predictive control based on artificial neural networks into university-level automation education. The methodology was based on a systematic review of specialized literature published between 2013 and 2024. The analysis identified technical elements with the greatest educational potential for teaching advanced control. As a result, four core guidelines have been systematized. It is concluded that the didactic implementation of predictive neural control requires a deliberate approach that transforms mathematical complexity into meaningful learning experiences geared toward developing professional competencies.
Education in control and automation engineering is at a turning point. On the one hand, advances in artificial intelligence and machine learning have revolutionized strategies for controlling complex systems, giving rise to approaches such as neural predictive control (ANN-MPC) that combine the predictive capability of traditional MPC with the learning flexibility of neural networks. On the other hand, university classrooms face the constant challenge of making these advanced concepts accessible to students who have yet to master the fundamentals of classical control theory (
This disconnect between technical advances and their pedagogical assimilation constitutes a significant gap. There is abundant technical literature demonstrating the effectiveness of ANN-MPC in industrial applications (
How can the mathematical complexity of nonlinear predictive control (NMPC) be transformed into meaningful learning experiences? Which elements of ANN-MPC design hold the greatest educational value? How can simulation environments be used not only as verification tools but also as spaces for developing engineering reasoning?
This article addresses precisely this gap by proposing a set of guidelines for the educational contextualization of neural predictive control. As a pedagogical scenario, it revisits the system of interconnected tanks-a classic in control theory education due to its intrinsically nonlinear dynamics, multivariable nature, and the non-minimum phase phenomena it exhibits.
This system offers a crucial didactic advantage: its behavior is physically intuitive (the flow between tanks, the liquid level), which allows students to focus on control concepts without losing touch with physical reality.
Education in automation and control faces the challenge of preparing students to understand and manage increasingly complex dynamic systems, characterized by nonlinear behavior, multivariable couplings, and uncertainties that are difficult to represent using traditional mathematical models. In this context, the integration of artificial intelligence techniques-particularly artificial neural networks (ANNs) and deep neural networks (DNNs)-has taken on a significant role in both scientific and educational settings by enabling new approaches to modeling, predicting, and analyzing complex dynamic systems (
Model-based predictive control (MPC) has established itself as a widely used advanced strategy in industrial applications; however, its incorporation into educational contexts faces limitations associated with the high mathematical complexity of nonlinear models and the high computational cost of nonlinear predictive control (NMPC) (
In response to these challenges, various studies have proposed the use of artificial neural networks as internal models for the predictive controller, giving rise to the approach known as neural network-based predictive control (ANN-MPC), which allows complex dynamics to be approximated based on data, thereby reducing the computational load and facilitating understanding from an educational perspective (
Interconnected tank systems are a classic reference in the teaching of automatic control, due to their nonlinear, multivariable nature and the presence of phenomena such as the non-minimum phase. Previous research has shown that these systems effectively illustrate fundamental concepts of modeling, parameter identification, controller tuning, and stability analysis, making them an ideal teaching resource for the educational contextualization of advanced predictive control (
In this regard, recent literature shows that the integration of artificial and deep neural networks into predictive control schemes improves the technical performance of systems and, at the same time, offers high educational value by promoting data-driven learning and the use of computational simulation as a virtual laboratory (
From this perspective, it is necessary to systematize guidelines for the educational contextualization of neural networks integrated into predictive control, addressing not only their technical efficiency but also their educational potential in teaching automation, intelligent control, and applied artificial intelligence. Consequently, this article seeks to answer the question: How can we design learning activities that enable engineering students not only to understand but also to design, implement, and evaluate neural network-based predictive control strategies, using resources and timeframes compatible with a university course?
The research is grounded in a qualitative approach, employing the documentary analysis method, aimed at the pedagogical interpretation of scientific advances in the field of neural network-based predictive control. The analysis-synthesis method was used to examine the fundamentals of artificial and deep neural networks and their integration into predictive control strategies, and to synthesize guidelines for their educational application; the induction-deduction method was employed to identify patterns in the analyzed studies and derive didactic principles applicable to the teaching of nonlinear control.
The methodology was structured in four stages, explicitly geared toward the educational contextualization of the content, in accordance with the stated objective.
Stage 1. Identification and selection of relevant sources.
A targeted search was conducted of scientific literature published between 2019 and 2024 related to: artificial and deep neural networks, nonlinear predictive control (MPC, NMPC, ANN-MPC, RNN-MPC), interconnected tank systems, and simulation and modeling applications for educational purposes.
Priority was given to studies with clear methodological contributions, reproducible results, and potential for educational use.
Stage 2. Technical-pedagogical analysis of the models
The selected sources were analyzed based on: types of neural architectures (MLP, NARX, RNN, DNN), training and optimization algorithms, predictive controller tuning parameters (NP, NC, Ts, Q, R), and the level of complexity and comprehensibility for students. This analysis made it possible to identify which models are best suited for use as teaching resources in the instruction of advanced control.
Stage 3. Systematization of Guidelines for Educational Contextualization
Based on the analysis, guidelines were systematized focused on the use of computer simulation as a virtual laboratory, learning based on data generated by dynamic systems, understanding nonlinearity and multivariable coupling, and the development of competencies in modeling, prediction, and decision-making. The interconnected tank system was considered the ideal pedagogical scenario for introducing concepts of neural predictive control.
Stage 4. Integration of the Theoretical-Referential Framework
An integrated theoretical framework was constructed that synthesizes the contributions of various authors, highlighting its value for university teaching, educational research, and the teaching of artificial intelligence applied to process control.
Deep neural networks (DNNs) are an extension of traditional neural networks that use multiple hidden layers to process complex information. These architectures are designed to learn hierarchical representations of data, enabling them to capture high-level features and complex patterns. They are considered part of deep learning and can handle millions of parameters, depending on the complexity of the problem they address (
DNNs consist of multiple hidden layers located between the input layer and the output layer. Each hidden layer performs nonlinear computations and transforms the input so that the next layer can extract more abstract features. These layers can be fully connected or partially connected, depending on the model’s design. Additionally, some architectures include recurrent structures to enable feedback and the learning of temporal dependencies (
In DNNs, data propagates forward through the layers (feed-forward), passing through nonlinear activation functions that allow the model to learn complex relationships. During training, the model modifies its weights using an optimization algorithm that seeks to minimize an error function, employing the backpropagation method. This iterative process gradually adjusts the weights to improve the model’s accuracy (
The model proposed by
According to
A review of the literature revealed that technical studies on ANN-MPC, although not written for pedagogical purposes, hold valuable educational potential when examined through an educational lens.
More than just a simple example, the tank system constitutes a pedagogical “microcosm.” Its dynamics, described by nonlinear differential equations based on mass conservation principles, are complex enough to exceed the capabilities of conventional linear control techniques, yet transparent enough for students to develop a physical intuition,
The educational value of this scenario lies in its ability to illustrate multiple advanced control concepts in an interconnected manner: multivariable coupling (the level in one tank affects the other), non-minimum phase behavior (an initial response in the opposite direction of the desired one), and the need to manage physical constraints (maximum levels, limited flow rates). By keeping this scenario constant throughout a course, students can observe how different control strategies (PID, linear MPC, ANN-MPC) address the same fundamental challenges, facilitating in-depth comparison.
One of the historical obstacles to teaching NMPC has been the need for a precise analytical model of the system, whose derivation and linearization are time-consuming and focus on mathematical rather than engineering skills. This is where ANN-MPC introduces a paradigm shift with profound pedagogical value.
Research such as that by
Data-driven learning lowers the mathematical barrier to entry and aligns teaching with current industry practices, where data-driven models are increasingly prevalent. Furthermore, it allows for the discussion of crucial concepts such as overfitting, generalization, and the importance of validation datasets, thereby connecting control theory with fundamental topics in data science (
Interconnected tank systems have been widely used in the literature as case studies for teaching automatic control, due to their nonlinear behavior, multivariable coupling, and the presence of non-minimal phase dynamics (
Furthermore, studies by
A comparative analysis of recent studies reveals that the ANN-MPC approach offers significant pedagogical advantages over classical nonlinear predictive control (NMPC). On the one hand,
Furthermore,
The use of computer simulation has emerged as a key component in teaching neural predictive control. The work of
This strategy aligns with constructivist pedagogical approaches, in which learning is built upon experience and reflection on the results obtained (
A synthesis of the reviewed findings identifies a set of methodological guidelines for the educational contextualization of neural network-based predictive control, taking into account the logical progression of content and students’ learning needs:
Progressive sequencing of models: Initially introduce simple neural networks (e.g., MLP) before moving on to more complex models (NARX, RNN, DNN), thereby facilitating the gradual development of cognitive skills. Use of interconnected tank systems: Employ this type of system as an integrative teaching scenario that allows for the observation of nonlinear phenomena and multivariable responses in real time or in simulation. Computational simulation as a laboratory: Encourage the use of simulation environments to generate and manipulate data, allowing students to experiment with neural models and predictive controllers without practical risks. Comparison of control approaches: Design activities that allow students to compare linear MPC, NMPC, and ANN-MPC approaches, so that they understand the advantages, limitations, and applications of each. Interpretation of results and critical analysis: Emphasize the interpretation of system responses, error analysis, and evaluation of controller performance in terms of formative concepts. Development of cross-disciplinary competencies: Promote activities that integrate modeling, programming, data analysis, and responsible decision-making, thereby reinforcing skills applicable in real-world contexts.
Analysis of the reviewed literature identified a set of findings relevant to the
First, it was found that artificial neural networks-especially architectures such as MLP, NARX, and RNN-constitute suitable models for representing nonlinear dynamic systems from an educational perspective, as they allow for approximating system behavior without resorting to complex mathematical formulations (
Second, the studies analyzed show that the integration of ANNs and DNNs into predictive control schemes (ANN-MPC and RNN-MPC) significantly reduces the computational load compared to traditional NMPC, while maintaining acceptable levels of accuracy (
Another relevant finding is the identification of
Furthermore, it was shown that the use of data generated by computer simulation constitutes a valid pedagogical strategy for training neural models in educational contexts, promoting data-driven learning and the development of competencies in system modeling, analysis, and validation (
The analysis made it possible to systematize a set of
The results confirm that predictive control based on artificial and deep neural networks not only represents a technical advance in the field of nonlinear system control but also holds significant educational potential when used in a contextualized and didactically structured manner.
The possibility of using neural networks as internal models of the predictive controller allows the educational emphasis to shift from the analytical solution of complex equations toward an understanding of the system’s dynamic behavior and the interpretation of results, which aligns with pedagogical approaches centered on active and problem-based learning. In this regard, the contributions of
It is also noted that the reduction in computation time achieved by the ANN-MPC and RNN-MPC schemes, as reported by
Furthermore, the use of interconnected tank systems as a learning scenario reinforces the contextualization of the content, as these systems are widely recognized in the literature and in the teaching of automatic control. This promotes knowledge transfer and the integration of concepts from artificial intelligence, predictive control, and nonlinear modeling within a single educational environment.
Consequently, the discussion reaffirms that the incorporation of neural networks into predictive control should be viewed not only as a strategy for optimizing system performance but also as a pedagogical resource that contributes to the development of professional competencies in automation, systems analysis, and data-driven decision-making.
The analysis conducted revealed that the integration of artificial and deep neural networks into nonlinear predictive control schemes constitutes a relevant pedagogical alternative for education in automation and control, as it facilitates the understanding of complex dynamic systems through a data-driven and computational simulation-based approach.
It was found that neural predictive control facilitates the educational contextualization of advanced concepts such as nonlinearity, multivariable coupling, and non-minimum phase, reducing reliance on highly complex mathematical models and promoting more meaningful and applied learning.
Interconnected tank systems have established themselves as an effective teaching resource for instruction in neural network-based predictive control, as they allow for the coherent integration of content related to modeling, identification, prediction, and decision-making within a single educational environment.
The proposed methodological guidelines offer a structured framework for the gradual incorporation of neural network-based predictive control into teaching and learning processes, taking into account students’ cognitive complexity and the development of competencies in modeling, systems analysis, and the use of applied artificial intelligence tools.
The educational approach to neural network-based predictive control helps strengthen the comprehensive training of future automation professionals by integrating theory and practice through innovative, contextualized teaching strategies aligned with current demands in engineering and higher education.
This framework has been derived from a review of the technical literature; therefore, its empirical validation in real classrooms is the natural next step. Future research should measure the impact of these guidelines on the development of specific competencies and on student motivation. In addition, there is a need for the collaborative development of open educational resources (datasets, simulation models, activity guides) that will enable more instructors to adopt this approach without having to start from scratch.