MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS
Autor(a) principal: | |
---|---|
Data de Publicação: | 2002 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da PUC-RIO (Projeto Maxwell) |
Texto Completo: | https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@2 |
Resumo: | Este trabalho apresenta procedimentos de modelagem e controle neuro-fuzzy de sistemas dinâmicos. Neste contexto, é proposta e avaliada a utilização simultânea da abordagem neuro-fuzzy em todo o sistema de malha fechada controlador-planta.Na modelagem da planta, o espaço de entrada do sistema dinâmico é inicialmente dividido em um número de regiões de operação fuzzy onde modelos de ordem reduzida (ARMAX) representam o comportamento do sistema dinâmico. A saída completa do sistema - modelo global - é obtida através da conjunção das saídas dos modelos locais usando uma rede neuro-fuzzy.No controle da planta, é proposto um novo controlador neuro-fuzzy chamado Controlador Neuro-fuzzy de Coeficientes Variáveis (CNFCV), que tem como objetivos melhorar a robustez do sistema de controle a perturbações e a geração automática da variável manipulada, que é uma dificuldade normalmente encontrada em controladores neurais ou neuro-fuzzy. Esse controlador é originado dos modelos de redes neurais de Mellem (1997) e Velloso (1999), e utiliza redes neuro-fuzzy para a geração dos coeficientes variáveis de um modelo ARMA da variável manipulada. Apesar de juntar modelos de séries temporais com a abordagem neuro-fuzzy, o CNFCV tem como função não a previsão, mas sim o controle de uma planta ou processo.Para avaliar o desempenho do CNFCV são utilizados, como meios de comparação,controladores neuro- fuzzy conhecidos - FALCON-H Fuzzy Adaptive Learning Control Network with Hybrid Learning e NEFCON Neuro-Fuzzy Controller - e o tradicional controlador PID Proporcional- Integral-Derivativo.As plantas utilizadas são uma planta linear Bobinador, uma planta linearizada Pêndulo Invertido e uma planta não linear %CO2. A escolha de tais plantas deve-se ao fato de serem utilizadas e modeladas em aplicações práticas e em trabalhos acadêmicos. Os resultados obtidos com o CNFCV são analisados e comparados aos proporcionados pelas outras estruturas.Ao final são apresentadas conclusões e sugestões para trabalhos futuros. |
id |
PUC_RIO-1_49404e38e2aba207a1d454c714cfbf36 |
---|---|
oai_identifier_str |
oai:MAXWELL.puc-rio.br:2701 |
network_acronym_str |
PUC_RIO-1 |
network_name_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository_id_str |
534 |
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisMODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS NEURO-FUZZY MODELLING AND CONTROL OF DYNAMIC SISTEMS 2002-02-28RICARDO TANSCHEIT22235426034lattes.cnpq.br/8206214061481076MARLEY MARIA BERNARDES REBUZZI VELLASCO75758385700lattes.cnpq.br/8265116967095452RICARDO TANSCHEITMARIA LUIZA FERNANDES VELLOSOMARLEY MARIA BERNARDES REBUZZI VELLASCOGERSON ZAVERUCHAMARIA LUIZA FERNANDES VELLOSOlattes.cnpq.br/6878531729045393GIOVANE QUADRELLIPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIROPPG EM ENGENHARIA ELÉTRICAPUC-RioBREste trabalho apresenta procedimentos de modelagem e controle neuro-fuzzy de sistemas dinâmicos. Neste contexto, é proposta e avaliada a utilização simultânea da abordagem neuro-fuzzy em todo o sistema de malha fechada controlador-planta.Na modelagem da planta, o espaço de entrada do sistema dinâmico é inicialmente dividido em um número de regiões de operação fuzzy onde modelos de ordem reduzida (ARMAX) representam o comportamento do sistema dinâmico. A saída completa do sistema - modelo global - é obtida através da conjunção das saídas dos modelos locais usando uma rede neuro-fuzzy.No controle da planta, é proposto um novo controlador neuro-fuzzy chamado Controlador Neuro-fuzzy de Coeficientes Variáveis (CNFCV), que tem como objetivos melhorar a robustez do sistema de controle a perturbações e a geração automática da variável manipulada, que é uma dificuldade normalmente encontrada em controladores neurais ou neuro-fuzzy. Esse controlador é originado dos modelos de redes neurais de Mellem (1997) e Velloso (1999), e utiliza redes neuro-fuzzy para a geração dos coeficientes variáveis de um modelo ARMA da variável manipulada. Apesar de juntar modelos de séries temporais com a abordagem neuro-fuzzy, o CNFCV tem como função não a previsão, mas sim o controle de uma planta ou processo.Para avaliar o desempenho do CNFCV são utilizados, como meios de comparação,controladores neuro- fuzzy conhecidos - FALCON-H Fuzzy Adaptive Learning Control Network with Hybrid Learning e NEFCON Neuro-Fuzzy Controller - e o tradicional controlador PID Proporcional- Integral-Derivativo.As plantas utilizadas são uma planta linear Bobinador, uma planta linearizada Pêndulo Invertido e uma planta não linear %CO2. A escolha de tais plantas deve-se ao fato de serem utilizadas e modeladas em aplicações práticas e em trabalhos acadêmicos. Os resultados obtidos com o CNFCV são analisados e comparados aos proporcionados pelas outras estruturas.Ao final são apresentadas conclusões e sugestões para trabalhos futuros.In this work procedures for neuro-fuzzy modelling and control of dynamic systems are reviewed and a new structure is proposed. In this, modelling and closed-loop control are performed simultaneously by using a neuro-fuzzy approach. In the modelling stage the input space of a dynamic system (plant) is initially divided into a number of fuzzy operating regions within which reduced order models are able to represent the system. The complete system model output - the global model - is obtained through the conjunction of the outputs of the local models. A new structure, called Neuro-Fuzzy Controller with Variable Coefficients (NFCVC) is proposed and evaluated. Its main objectives are to improve the system s robustness and to provide automatic generation of the manipulated variable in order to overcome a difficulty of neural and neuro-fuzzy controllers in general. The NFCVC is originated from models proposed by Mellem (1997) and Velloso (1999) and makes use of neuro-fuzzy networks to generate variable coefficients of an ARMA model. Despite combining times series models with a neuro-fuzzy approach, the main function of NFCVC is to perform the control of the plant.In order to evaluate the performance of NFCVC two well-known neuro-fuzzy controllers - FALCON-H (Fuzzy Adaptive Learning Control Network with Hybrid Learning) and the NEFCON (Neuro-Fuzzy Controller) - as well as the traditional PID controller are used as means of comparison.A linear plant (Rotor Winder), a linearized plant (Inverted Pendulum) and a nonlinear plant (%CO2) are used in the experiments. These plants are well-known and generally used in practical applications and/or academic works. The results for the NFCVC are analyzed and compared to those obtained with the others structures. Finally, conclusions and suggestions for future work are presented.UNIVERSIDADE CATÓLICA DE PETRÓPOLIShttps://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@1https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@2porreponame:Repositório Institucional da PUC-RIO (Projeto Maxwell)instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)instacron:PUC_RIOinfo:eu-repo/semantics/openAccess2022-11-01T12:34:03Zoai:MAXWELL.puc-rio.br:2701Repositório InstitucionalPRIhttps://www.maxwell.vrac.puc-rio.br/ibict.phpopendoar:5342017-09-14T00:00Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO)false |
dc.title.pt.fl_str_mv |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS |
dc.title.alternative.en.fl_str_mv |
NEURO-FUZZY MODELLING AND CONTROL OF DYNAMIC SISTEMS |
title |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS |
spellingShingle |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS GIOVANE QUADRELLI |
title_short |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS |
title_full |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS |
title_fullStr |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS |
title_full_unstemmed |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS |
title_sort |
MODELAGEM E CONTROLE NEURO-FUZZY DE SISTEMAS DINÂMICOS |
dc.creator.ID.none.fl_str_mv |
|
author |
GIOVANE QUADRELLI |
author_facet |
GIOVANE QUADRELLI |
author_role |
author |
dc.contributor.advisor2ID.none.fl_str_mv |
75758385700 |
dc.contributor.advisor1.fl_str_mv |
RICARDO TANSCHEIT |
dc.contributor.advisor1ID.fl_str_mv |
22235426034 |
dc.contributor.advisor1Lattes.fl_str_mv |
lattes.cnpq.br/8206214061481076 |
dc.contributor.advisor2.fl_str_mv |
MARLEY MARIA BERNARDES REBUZZI VELLASCO |
dc.contributor.advisor2Lattes.fl_str_mv |
lattes.cnpq.br/8265116967095452 |
dc.contributor.referee1.fl_str_mv |
RICARDO TANSCHEIT |
dc.contributor.referee2.fl_str_mv |
MARIA LUIZA FERNANDES VELLOSO |
dc.contributor.referee3.fl_str_mv |
MARLEY MARIA BERNARDES REBUZZI VELLASCO |
dc.contributor.referee4.fl_str_mv |
GERSON ZAVERUCHA |
dc.contributor.referee5.fl_str_mv |
MARIA LUIZA FERNANDES VELLOSO |
dc.contributor.authorLattes.fl_str_mv |
lattes.cnpq.br/6878531729045393 |
dc.contributor.author.fl_str_mv |
GIOVANE QUADRELLI |
contributor_str_mv |
RICARDO TANSCHEIT MARLEY MARIA BERNARDES REBUZZI VELLASCO RICARDO TANSCHEIT MARIA LUIZA FERNANDES VELLOSO MARLEY MARIA BERNARDES REBUZZI VELLASCO GERSON ZAVERUCHA MARIA LUIZA FERNANDES VELLOSO |
description |
Este trabalho apresenta procedimentos de modelagem e controle neuro-fuzzy de sistemas dinâmicos. Neste contexto, é proposta e avaliada a utilização simultânea da abordagem neuro-fuzzy em todo o sistema de malha fechada controlador-planta.Na modelagem da planta, o espaço de entrada do sistema dinâmico é inicialmente dividido em um número de regiões de operação fuzzy onde modelos de ordem reduzida (ARMAX) representam o comportamento do sistema dinâmico. A saída completa do sistema - modelo global - é obtida através da conjunção das saídas dos modelos locais usando uma rede neuro-fuzzy.No controle da planta, é proposto um novo controlador neuro-fuzzy chamado Controlador Neuro-fuzzy de Coeficientes Variáveis (CNFCV), que tem como objetivos melhorar a robustez do sistema de controle a perturbações e a geração automática da variável manipulada, que é uma dificuldade normalmente encontrada em controladores neurais ou neuro-fuzzy. Esse controlador é originado dos modelos de redes neurais de Mellem (1997) e Velloso (1999), e utiliza redes neuro-fuzzy para a geração dos coeficientes variáveis de um modelo ARMA da variável manipulada. Apesar de juntar modelos de séries temporais com a abordagem neuro-fuzzy, o CNFCV tem como função não a previsão, mas sim o controle de uma planta ou processo.Para avaliar o desempenho do CNFCV são utilizados, como meios de comparação,controladores neuro- fuzzy conhecidos - FALCON-H Fuzzy Adaptive Learning Control Network with Hybrid Learning e NEFCON Neuro-Fuzzy Controller - e o tradicional controlador PID Proporcional- Integral-Derivativo.As plantas utilizadas são uma planta linear Bobinador, uma planta linearizada Pêndulo Invertido e uma planta não linear %CO2. A escolha de tais plantas deve-se ao fato de serem utilizadas e modeladas em aplicações práticas e em trabalhos acadêmicos. Os resultados obtidos com o CNFCV são analisados e comparados aos proporcionados pelas outras estruturas.Ao final são apresentadas conclusões e sugestões para trabalhos futuros. |
publishDate |
2002 |
dc.date.issued.fl_str_mv |
2002-02-28 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@2 |
url |
https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@1 https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=2701@2 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.publisher.program.fl_str_mv |
PPG EM ENGENHARIA ELÉTRICA |
dc.publisher.initials.fl_str_mv |
PUC-Rio |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da PUC-RIO (Projeto Maxwell) instname:Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) instacron:PUC_RIO |
instname_str |
Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
instacron_str |
PUC_RIO |
institution |
PUC_RIO |
reponame_str |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
collection |
Repositório Institucional da PUC-RIO (Projeto Maxwell) |
repository.name.fl_str_mv |
Repositório Institucional da PUC-RIO (Projeto Maxwell) - Pontifícia Universidade Católica do Rio de Janeiro (PUC-RIO) |
repository.mail.fl_str_mv |
|
_version_ |
1748324874749739008 |