Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufjf.br/jspui/handle/ufjf/15447Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| marinaborgesarantesdesouza.pdf | 2.72 MB | Adobe PDF |  Visualizar/Abrir |
| Clase: | Tese |
| Título : | Técnicas de otimização aplicadas à Identificação de sistemas dinâmicos |
| Autor(es): | Souza, Marina Borges Arantes de |
| Orientador: | Oliveira, Edimar José de |
| Co-orientador: | Honório, Leonardo de Mello |
| Miembros Examinadores: | Poubel, Raphael Paulo Braga |
| Miembros Examinadores: | Pinto, Milena Faria |
| Miembros Examinadores: | Santos, Alexandre Bessa dos |
| Miembros Examinadores: | Oliveira, Leonardo Willer de |
| Resumo: | A construção de um modelo confiável é um dos pilares do controle de sistemas autônomos. A identificação é um processo que extrai características de um processo para posterior análise e manipulação do sistema. Modelos matemáticos são um direcionamento do comportamento real de um processo. Entretanto, tais modelos exigem a entrada de alguns parâmetros específicos da operação do sistema. A estimação de parâmetros, é uma forma de identificação que objetiva afinar modelos para que eles se comportem de forma próxima à realidade. Para tanto, utiliza-se métodos de estimação, que aliados a um sinal de entrada eficiente, podem produzir bons resultados. O Sub-Optimal Excitation Signal Generation and Optimal Parameter Estimation (SOESGOPE) é um método apresentado pela literatura que combina a geração de sinais de excitação com a estimação de parâmetros. Embora a metodologia apresente resultados satisfatórios, deve-se analisá-la sob o ponto de vista de otimização, ou seja o quanto ele é confiável e robusto frente a diferentes configurações. Assim, este trabalho apresenta análises nesse aspecto e uma proposta de alteração quando for verificado uma falta de convergência. A aplicabilidade do método é potencializada em situações em que o modelo seja uma cópia razoável do comportamento real. Entretanto, em situações reais, não se pode garantir que um modelo matemático produza saídas similares ao processo real frente a uma mesma entrada. Para contornar esse problema, neste trabalho também é proposta uma técnica híbrida que é capaz de utilizar o modelo matemático como direcionamento e aprender características peculiares àquele processo. Tal modelo híbrido, composto por etapa de estimação e de aprendizado de comportamento, será capaz de corrigir certos erros do sistema real relacionados ao modelo e atingir saídas mais confiáveis através da combinação do modelo teórico com técnicas de aprendizado. Além disso, o SOESGOPE é um aliado ao processo de aprendizado visto que fornece sinais de excitação mais eficientes. A eficácia do método é comprovada através da aplicação em uma embarcação autônoma com características desafiadoras sob a ótica de identificação, reduzindo o erro de estimação de trajetória. |
| Resumen : | Building a reliable model is one of the pillars of controlling autonomous systems. Identification is a process that extracts characteristics of a process for further analysis and manipulation of the system. Mathematical models are a guide to the real behavior of a process. However, such models require the input of some specific parameters of the system operation. Parameter estimation is a form of identification that aims to fine-tune models so that they behave as closely as possible to reality. Therefore, estimation methods together with an efficient input signal can produce good results. SOESGOPE is a method that combines excitation signal generation with parameter estimation. Although it presents satisfactory results, it should be analyzed from an optimization point of view, that is, how reliable and robust it is against different configurations. Thus, this work presents analysis in this aspect and a proposal for alteration when a lack of convergence is verified. The applicability of the method is enhanced in situations where the model is a reasonable copy of real behavior. However, in real situations, it is not possible to guarantee that a mathematical model will produce outputs similar to the real process when faced with the same input. To circumvent this problem, this work also proposes a hybrid technique that is able to use the mathematical model as a guide and learn characteristics peculiar to that process. Such a hybrid model will be able to correct certain errors of the real system related to the model and achieve more reliable outputs. Furthermore, SOESGOPE can count as an ally to the learning process since it provides more efficient excitation signals. To confirm the applicability of the proposed method, an autonomous boat is used for application and verification of the effectiveness of the method. |
| Palabras clave : | Identificação de sistemas dinâmicos Estimação de parâmetros Sistemas não lineares Geração de sinal de excitação Modelo híbrido Identification of dynamical systems Parameter estimation Nonlinear systems Excitation signal generation Hybrid model |
| CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
| Idioma: | por |
| País: | Brasil |
| Editorial : | Universidade Federal de Juiz de Fora (UFJF) |
| Sigla de la Instituición: | UFJF |
| Departamento: | Faculdade de Engenharia |
| Programa: | Programa de Pós-graduação em Engenharia Elétrica |
| Clase de Acesso: | Acesso Aberto Attribution 3.0 Brazil |
| Licenças Creative Commons: | http://creativecommons.org/licenses/by/3.0/br/ |
| URI : | https://repositorio.ufjf.br/jspui/handle/ufjf/15447 |
| Fecha de publicación : | 30-mar-2023 |
| Aparece en las colecciones: | Doutorado em Engenharia Elétrica (Teses) |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
