Lyapunov-based intelligent control
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/47007 |
Resumo: | A realização de controle de sistemas dinâmicos não lineares desempenha um papel crucial, pois na prática, modelos lineares podem não serem adequados para um projeto eficaz. No entanto, realizar o controle de sistemas não lineares não é uma tarefa simples, embora muitos métodos tenham sido desenvolvidos. Existem ainda alguns problemas a serem resolvidos. Exemplos de tais problemas são o controle dos movimentos e equilíbrio em robôs humanoides e as imprecisões de modelagem de um veículo subaquático autônomo, que possui um ângulo de inclinação pequeno. Para realizar o projeto de controle e estabilidade de um sistema não linear, geralmente, uma função de Lyapunov é usada. O procedimento para obter uma função de Lyapunov não é simples. Existem métodos numéricos na literatura que lidam com o problema de obter as funções de Lyapunov para vários tipos de sistemas. Uma ferramenta útil para aproximar ou gerar funções é uma rede neural artificial. Neste contexto, neste trabalho é explorada a capacidade de uma rede neural em aproximar funções de Lyapunov para sistemas não lineares. Além disso, é proposta a utilização de uma rede neural profunda para calcular uma função de Lyapunov de controle para sistemas não lineares. Ademais, neste trabalho é desenvolvido um controlador baseado em aprendizado em que se garante a estabilidade do ponto de equilíbrio e permite que se forneça uma estimativa de sua região de atração contida no conjunto invariante de Lyapunov. Simulações de exemplos numéricos e experimentos com o pêndulo invertido e rotacional são realizados e comparações com métodos convencionais são apresentadas. |
id |
UFRN_6414d00442aa3175208fd9d1cd61627c |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/47007 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Rego, Rosana Cibely Batistahttp://lattes.cnpq.br/2921962829806332http://lattes.cnpq.br/5473196176458886Costa Júnior, Ademar Gonçalves daDorea, Carlos Eduardo Trabucohttp://lattes.cnpq.br/0143490577842914Costa, Marcus Vinicus SilvérioYoneyama, TakashiAraújo, Fábio Meneghetti Ugulino de2022-04-19T22:41:13Z2022-04-19T22:41:13Z2022-02-23REGO, Rosana Cibely Batista. Lyapunov-based intelligent control. 2022. 83f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/47007A realização de controle de sistemas dinâmicos não lineares desempenha um papel crucial, pois na prática, modelos lineares podem não serem adequados para um projeto eficaz. No entanto, realizar o controle de sistemas não lineares não é uma tarefa simples, embora muitos métodos tenham sido desenvolvidos. Existem ainda alguns problemas a serem resolvidos. Exemplos de tais problemas são o controle dos movimentos e equilíbrio em robôs humanoides e as imprecisões de modelagem de um veículo subaquático autônomo, que possui um ângulo de inclinação pequeno. Para realizar o projeto de controle e estabilidade de um sistema não linear, geralmente, uma função de Lyapunov é usada. O procedimento para obter uma função de Lyapunov não é simples. Existem métodos numéricos na literatura que lidam com o problema de obter as funções de Lyapunov para vários tipos de sistemas. Uma ferramenta útil para aproximar ou gerar funções é uma rede neural artificial. Neste contexto, neste trabalho é explorada a capacidade de uma rede neural em aproximar funções de Lyapunov para sistemas não lineares. Além disso, é proposta a utilização de uma rede neural profunda para calcular uma função de Lyapunov de controle para sistemas não lineares. Ademais, neste trabalho é desenvolvido um controlador baseado em aprendizado em que se garante a estabilidade do ponto de equilíbrio e permite que se forneça uma estimativa de sua região de atração contida no conjunto invariante de Lyapunov. Simulações de exemplos numéricos e experimentos com o pêndulo invertido e rotacional são realizados e comparações com métodos convencionais são apresentadas.Nonlinear dynamical systems play a crucial role in control systems because, in practice, linear models could not be suitable for effective projects. However, achieving control for nonlinear systems is not simple though many methods have been developed. There are still some problems that need to be solved. Examples of some problems are robust control balance in humanoid robots and the modeling inaccuracies of the autonomous underwater vehicle, which has a small-pitch-angle. Usually, a Lyapunov function is used to perform a control and stability analysis of a nonlinear system. The procedure for obtaining a Lyapunov function is not a simple task. There have been many efforts and numerical methods in the literature on how to estimate Lyapunov functions for several kinds of systems. An artificial neural network is a useful tool for generating functions. Motivated by this, we investigated the capability of a neural network to compute Lyapunov functions and provide a deep neural network to compute a control Lyapunov function without linear approximation for nonlinear systems. Moreover, we examined the equilibrium point stability and obtained an estimation of its region of attraction contained in the Lyapunov invariant set. Numerical examples and experimental simulations using some nonlinear systems, such as the inverted pendulum and the rotary inverted pendulum, are performed and compared with some conventional control techniques.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilNeural networksIntelligent controlNeuro-controlControl Lyapunov functionLyapunov-based intelligent controlinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALLyapunovbasedintelligent_Rego_2022.pdfapplication/pdf5792510https://repositorio.ufrn.br/bitstream/123456789/47007/1/Lyapunovbasedintelligent_Rego_2022.pdfb0702c63c4e0f46c9968388ba5531bdeMD51123456789/470072022-05-02 12:31:26.766oai:https://repositorio.ufrn.br:123456789/47007Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-05-02T15:31:26Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Lyapunov-based intelligent control |
title |
Lyapunov-based intelligent control |
spellingShingle |
Lyapunov-based intelligent control Rego, Rosana Cibely Batista Neural networks Intelligent control Neuro-control Control Lyapunov function |
title_short |
Lyapunov-based intelligent control |
title_full |
Lyapunov-based intelligent control |
title_fullStr |
Lyapunov-based intelligent control |
title_full_unstemmed |
Lyapunov-based intelligent control |
title_sort |
Lyapunov-based intelligent control |
author |
Rego, Rosana Cibely Batista |
author_facet |
Rego, Rosana Cibely Batista |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/2921962829806332 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/5473196176458886 |
dc.contributor.referees1.none.fl_str_mv |
Costa Júnior, Ademar Gonçalves da |
dc.contributor.referees2.none.fl_str_mv |
Dorea, Carlos Eduardo Trabuco |
dc.contributor.referees2Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/0143490577842914 |
dc.contributor.referees3.none.fl_str_mv |
Costa, Marcus Vinicus Silvério |
dc.contributor.referees4.none.fl_str_mv |
Yoneyama, Takashi |
dc.contributor.author.fl_str_mv |
Rego, Rosana Cibely Batista |
dc.contributor.advisor1.fl_str_mv |
Araújo, Fábio Meneghetti Ugulino de |
contributor_str_mv |
Araújo, Fábio Meneghetti Ugulino de |
dc.subject.por.fl_str_mv |
Neural networks Intelligent control Neuro-control Control Lyapunov function |
topic |
Neural networks Intelligent control Neuro-control Control Lyapunov function |
description |
A realização de controle de sistemas dinâmicos não lineares desempenha um papel crucial, pois na prática, modelos lineares podem não serem adequados para um projeto eficaz. No entanto, realizar o controle de sistemas não lineares não é uma tarefa simples, embora muitos métodos tenham sido desenvolvidos. Existem ainda alguns problemas a serem resolvidos. Exemplos de tais problemas são o controle dos movimentos e equilíbrio em robôs humanoides e as imprecisões de modelagem de um veículo subaquático autônomo, que possui um ângulo de inclinação pequeno. Para realizar o projeto de controle e estabilidade de um sistema não linear, geralmente, uma função de Lyapunov é usada. O procedimento para obter uma função de Lyapunov não é simples. Existem métodos numéricos na literatura que lidam com o problema de obter as funções de Lyapunov para vários tipos de sistemas. Uma ferramenta útil para aproximar ou gerar funções é uma rede neural artificial. Neste contexto, neste trabalho é explorada a capacidade de uma rede neural em aproximar funções de Lyapunov para sistemas não lineares. Além disso, é proposta a utilização de uma rede neural profunda para calcular uma função de Lyapunov de controle para sistemas não lineares. Ademais, neste trabalho é desenvolvido um controlador baseado em aprendizado em que se garante a estabilidade do ponto de equilíbrio e permite que se forneça uma estimativa de sua região de atração contida no conjunto invariante de Lyapunov. Simulações de exemplos numéricos e experimentos com o pêndulo invertido e rotacional são realizados e comparações com métodos convencionais são apresentadas. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-04-19T22:41:13Z |
dc.date.available.fl_str_mv |
2022-04-19T22:41:13Z |
dc.date.issued.fl_str_mv |
2022-02-23 |
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.citation.fl_str_mv |
REGO, Rosana Cibely Batista. Lyapunov-based intelligent control. 2022. 83f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/47007 |
identifier_str_mv |
REGO, Rosana Cibely Batista. Lyapunov-based intelligent control. 2022. 83f. Tese (Doutorado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/47007 |
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 |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/47007/1/Lyapunovbasedintelligent_Rego_2022.pdf |
bitstream.checksum.fl_str_mv |
b0702c63c4e0f46c9968388ba5531bde |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117700054417408 |