Controlo de sistemas dinâmicos com redes neuronais artificiais

• Autor(a) principal: Ribeiro, Vítor Manuel Costa
• Data de Publicação: 2008
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/2007

Este trabalho enquadra-se na área de algoritmos de controlo baseados em redes neuronais artificiais (RNA), designados também como controladores neuronais. Foram estudadas três arquitecturas principais de RNAs (redes unidireccionais, redes recorrentes do tipo NNARX e NNARMAX e rede recorrente de Elman), quatro algoritmos de treino (gradiente descendente, método de Newton, método de Gauss-Newton e método de Levenberg-Marquardt) e diferentes estruturas de controlo neuronal. Dos vários esquemas possíveis foram mais detalhadamente projectados três controladores designados como: "modelo inverso genérico", "modelo inverso especializado" e "modelo óptimo". O processo de desenho e as características dos controladores neuronais foram ilustrados através de um caso de estudo não-linear e instável, pêndulo invertido. Foram testadas quatro estruturas de controlo: controlo inverso, controlo interno, controlo feedforward e controlo com linearização por realimentação. Foi efectuado um estudo comparativo entre esses estruturas neuronais e um compensador clássico do tipo PID. ABSTRACT: The present work is focused in the area of control algorithms based on Artificial Neural Networks (ANNs), termed also neural control. Tree main ANN architectures are studied (feedforward, recurrent NN of NNARX and NNARMAX type and Elman NN) , four learning algorithms (gradient descent method, Newton method, Gauss-Newton method and Levenberg- Marquardt method) and a number of different neural control structures. Among various possible solutions the following controllers were designed generic inverse model , specialized inverse model and optimal model. The design process and the controller’s characteristics were illustrated with the inverted pendulum nonlinear unstable case study. Four neural control structures were tested: inverse control, internal control, feedforward control and feedback linearization control. A comparative study between the above mentioned neural control structures and a classical PID controller was also accomplished.