Técnicas de otimização aplicadas à Identificação de sistemas dinâmicos

• Autor(a) principal: Souza, Marina Borges Arantes de
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/15447
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; 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

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.