Controlo de sistemas não lineares com redes neuronais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10773/29635 |
Resumo: | O objetivo desta dissertação consiste no desenvolvimento de um controlador MPC baseado em redes neuronais artificiais para o controlo de sistemas não lineares. Para implementação de modelos de redes neuronais, que servem como identificador do modelo do sistema, é utilizada uma ferramenta com base na biblioteca TensorFlow que utiliza um método de treino de redes com base em SGD. Este método apresenta uma melhor estabilidade e capacidade de convergência quando aplicado em modelos com elevado número de parâmetros a identificar. Com este modelo é utilizado um método para síntese de controladores. É utilizado um método indireto baseado em MPC. Devido à natureza não linear do modelo é utilizado um método iterativo para encontrar a atuação ótima do controlador, baseado num algoritmo de otimização BFGS. |
id |
RCAP_8938cfed8f311a25f0e16d3bc7df3fb8 |
---|---|
oai_identifier_str |
oai:ria.ua.pt:10773/29635 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Controlo de sistemas não lineares com redes neuronaisRedes neuronaisMATLABSIMULINKPLECSIdentificação de sistemasControlo de sistemasModel-based Predictive ControlTensorflowO objetivo desta dissertação consiste no desenvolvimento de um controlador MPC baseado em redes neuronais artificiais para o controlo de sistemas não lineares. Para implementação de modelos de redes neuronais, que servem como identificador do modelo do sistema, é utilizada uma ferramenta com base na biblioteca TensorFlow que utiliza um método de treino de redes com base em SGD. Este método apresenta uma melhor estabilidade e capacidade de convergência quando aplicado em modelos com elevado número de parâmetros a identificar. Com este modelo é utilizado um método para síntese de controladores. É utilizado um método indireto baseado em MPC. Devido à natureza não linear do modelo é utilizado um método iterativo para encontrar a atuação ótima do controlador, baseado num algoritmo de otimização BFGS.The main objective of this dissertation is the development of a MPC controller based in artificial neural networks in order to control nonlinear systems. For the implementation of neural network models, which serve as system model identifier, a tool based on the TensorFlow library is used that uses a network training method based on SGD. A method that presents better stability and convergence when applied in models with a high number of parameters to be identified. With this model a method for synthesizing controllers is used. An indirect method based on MPC is used. Due to the nonlinear nature of the model, an iterative method is used to find the optimum performance of the controller, based on an optimization algorithm BFGS.2020-10-29T15:13:37Z2019-07-01T00:00:00Z2019-07info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10773/29635porAntunes, José Paulo Brandãoinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-02-22T11:57:20Zoai:ria.ua.pt:10773/29635Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:01:55.201012Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Controlo de sistemas não lineares com redes neuronais |
title |
Controlo de sistemas não lineares com redes neuronais |
spellingShingle |
Controlo de sistemas não lineares com redes neuronais Antunes, José Paulo Brandão Redes neuronais MATLAB SIMULINK PLECS Identificação de sistemas Controlo de sistemas Model-based Predictive Control Tensorflow |
title_short |
Controlo de sistemas não lineares com redes neuronais |
title_full |
Controlo de sistemas não lineares com redes neuronais |
title_fullStr |
Controlo de sistemas não lineares com redes neuronais |
title_full_unstemmed |
Controlo de sistemas não lineares com redes neuronais |
title_sort |
Controlo de sistemas não lineares com redes neuronais |
author |
Antunes, José Paulo Brandão |
author_facet |
Antunes, José Paulo Brandão |
author_role |
author |
dc.contributor.author.fl_str_mv |
Antunes, José Paulo Brandão |
dc.subject.por.fl_str_mv |
Redes neuronais MATLAB SIMULINK PLECS Identificação de sistemas Controlo de sistemas Model-based Predictive Control Tensorflow |
topic |
Redes neuronais MATLAB SIMULINK PLECS Identificação de sistemas Controlo de sistemas Model-based Predictive Control Tensorflow |
description |
O objetivo desta dissertação consiste no desenvolvimento de um controlador MPC baseado em redes neuronais artificiais para o controlo de sistemas não lineares. Para implementação de modelos de redes neuronais, que servem como identificador do modelo do sistema, é utilizada uma ferramenta com base na biblioteca TensorFlow que utiliza um método de treino de redes com base em SGD. Este método apresenta uma melhor estabilidade e capacidade de convergência quando aplicado em modelos com elevado número de parâmetros a identificar. Com este modelo é utilizado um método para síntese de controladores. É utilizado um método indireto baseado em MPC. Devido à natureza não linear do modelo é utilizado um método iterativo para encontrar a atuação ótima do controlador, baseado num algoritmo de otimização BFGS. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019-07-01T00:00:00Z 2019-07 2020-10-29T15:13:37Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10773/29635 |
url |
http://hdl.handle.net/10773/29635 |
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.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137674718609408 |