Controlo Difuso Predictivo para Aplicação em Processos Industriais

Detalhes bibliográficos
Autor(a) principal: Sousa, Nuno Miguel Santos de
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/81486
Resumo: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_ca7dbf48066d509d509baa3c5aeff677
oai_identifier_str oai:estudogeral.uc.pt:10316/81486
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Controlo Difuso Predictivo para Aplicação em Processos IndustriaisPredictive Fuzzy Control for Industrial ProcessesSistemas DifusosSistemas neuro-difusasControlo PreditivoSistemas Não LinearesIdentificaçãoFuzzy SystemsNeuro-Fuzzy SystemsPredictive ControlNonlinear SystemsIdentificationDissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaThis dissertation studies the application of predictive control, and models based in recurrent fuzzy neural networks, to the control of non-linear processes. The studied control system is based in predictive control where it is used the GPC (Generalized Predictive Control) algorithm, already known in the industry. This algorithm is part of the model based controllers family, as it needs to have a model of the process under control. The predictive part is due to it's use of the model to estimate the future behaviour of the process, and then determine the best control effort based on a cost function that penalizes the future error of the process output, and also penalizes the global control effort.A discrete-time model updated in real time, is fed to the controller algorithm. This model is implemented by a Recurrent Fuzzy Neural Network (RFNN). This network is built with a set of fuzzy rules where the consequent of each rule is a linear model. These linear models are activated by the fuzzy rules and are aggregated in order to produce a resultant non-linear model of the process to be used by the GPC. The antecedent parts of the rules in the recurrent fuzzy neural network are updated with the back-propagation algorithm, and the consequent parts are updated with the recursive least squares algorithm.In this dissertation two controllers are tested based on this structure. The first one implements simplifications on the control law in order to eliminate the need to determine the inverse of a matrix in real-time.The second controller, is a new controller proposed in this dissertation. This controller replaces the recursive least squares algorithm consequent adaptation law, with a new one that is designed to adjust the model parameters, while limiting that the system output following error is bounded. The proposed controller was published in a conference paper.The developed controllers are tested in simulation environment, and also in a laboratory environment. In the simulation environment tests, where used three models. One represents a water tank, where the system input is the DC motor input voltage, and the system output is the water level inside the water tank. The other two models used represent abstract systems.The real world process consists of a electrical motor coupled to a generator. The system input is the motor supply voltage, while the system output is the angular velocity of the motor shaft. The Generator serves the purpose of being a perturbation to the system.Nesta dissertação é estudada a aplicação de controlo preditivo e de modelos baseados em redes neuronais difusas recursivas no controlo de processos não lineares.O sistema de controlo estudado nesta dissertação possui uma lei de controlo preditivo baseada no algoritmo de controlo GPC (Generalized Predictive Control) já conhecido na industria. Este algoritmo de controlo apoia-se em um modelo do processo para estimar a resposta futura deste processo a controlar, e com este determinar a acção e controlo futura através de uma função de custo que penaliza o erro de seguimento futuro e o esforço de controlo total.Um modelo discreto identificado em tempo real é utilizado pelo algoritmo GPC de forma a obter a melhor estimativa do comportamento da planta a controlar. Uma rede neuronal difusa recursiva (RFNN - Recurrent Fuzzy Neural Network) é utilizada para este efeito. Esta rede agrega um conjunto de regras difusas cujas consequentes contêm modelos lineares. O objectivo destes modelos é linearizar o modelo do processo em zonas de operação, e agregá-las posteriormente formando um modelo não-linear global que é utilizado pelo controlador GPC para estimar a evolução futura da planta. Os parâmetros internos da rede neuronal difusa recursiva são actualizados em cada período de amostragem. As antecedentes das regras difusas são actualizadas utilizando o algoritmo da retro-propagação do erro, e os parâmetros dos modelos lineares utilizados nas consequentes são actualizadas pelo algoritmo dos mínimos quadrados recursivos.Nesta dissertação são testados dois controladores baseados nesta metodologia. O primeiro controlador utiliza simplificações na lei de controlo como eliminar a computação da inversa de matrizes.O segundo controlador, é um novo controlador onde é desenvolvida uma nova lei de adaptação das consequentes das regras difusas, substituindo o algoritmo dos mínimos quadrados recursivos. Esta lei de adaptação pretende ajustar os parâmetros do modelo, de forma a garantir que o erro de seguimento é limitado. Este sistema de controlo proposto, resultou numa publicação em conferência.Com o intuito de validar as técnicas investigadas, são realizados estudos em simulação e em ambiente real. Em simulação foram utilizados 3 modelos distintos, com diferentes níveis de não-linearidade. Um dos modelos representa um tanque de água com uma válvula de saída, onde a entrada do sistema é a tensão de alimentação da bomba de enchimento do tanque, e a saída do sistema é o nível da água no tanque. Os dois modelos restantes, representam processos abstractos.Em ambiente real, foi utilizado um sistema composto por um motor eléctrico acoplado a um gerador a funcionar como carga ao motor. A tensão de alimentação do motor representa a entrada do sistema, e a velocidade angular do seu eixo representa a saída. O gerador actua como uma perturbação do sistema.2016-09-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/81486http://hdl.handle.net/10316/81486TID:202056864porSousa, Nuno Miguel Santos deinfo: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:RCAAP2020-01-28T10:20:00Zoai:estudogeral.uc.pt:10316/81486Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:03:33.246791Repositório 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 Difuso Predictivo para Aplicação em Processos Industriais
Predictive Fuzzy Control for Industrial Processes
title Controlo Difuso Predictivo para Aplicação em Processos Industriais
spellingShingle Controlo Difuso Predictivo para Aplicação em Processos Industriais
Sousa, Nuno Miguel Santos de
Sistemas Difusos
Sistemas neuro-difusas
Controlo Preditivo
Sistemas Não Lineares
Identificação
Fuzzy Systems
Neuro-Fuzzy Systems
Predictive Control
Nonlinear Systems
Identification
title_short Controlo Difuso Predictivo para Aplicação em Processos Industriais
title_full Controlo Difuso Predictivo para Aplicação em Processos Industriais
title_fullStr Controlo Difuso Predictivo para Aplicação em Processos Industriais
title_full_unstemmed Controlo Difuso Predictivo para Aplicação em Processos Industriais
title_sort Controlo Difuso Predictivo para Aplicação em Processos Industriais
author Sousa, Nuno Miguel Santos de
author_facet Sousa, Nuno Miguel Santos de
author_role author
dc.contributor.author.fl_str_mv Sousa, Nuno Miguel Santos de
dc.subject.por.fl_str_mv Sistemas Difusos
Sistemas neuro-difusas
Controlo Preditivo
Sistemas Não Lineares
Identificação
Fuzzy Systems
Neuro-Fuzzy Systems
Predictive Control
Nonlinear Systems
Identification
topic Sistemas Difusos
Sistemas neuro-difusas
Controlo Preditivo
Sistemas Não Lineares
Identificação
Fuzzy Systems
Neuro-Fuzzy Systems
Predictive Control
Nonlinear Systems
Identification
description Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2016
dc.date.none.fl_str_mv 2016-09-13
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/10316/81486
http://hdl.handle.net/10316/81486
TID:202056864
url http://hdl.handle.net/10316/81486
identifier_str_mv TID:202056864
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.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_ 1799133929076162560

Registros relacionados