Contribuições para o método Virtual Reference Feedback Tuning

• Autor(a) principal: Garcia, Cristiane Silva
• Data de Publicação: 2021
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/229475
• topic: Controle baseado em dados; Engenharia de controle e automação; Data-driven control; Least squares solutions; Errors-in-variables problems; VRFT; Data selection criteria

Em métodos de controle baseados em dados o ajuste dos parâmetros do controlador é realizado diretamente a partir dos dados coletados, sem a necessidade de estimar um modelo para o processo. Dentre os métodos propostos na literatura, o Virtual Reference Feedback Tuning (VRFT) talvez seja o método não iterativo mais empregado para realizar o ajuste dos parâmetros de um controlador de modo a atingir um desempenho em malha fechada predeterminado. Contudo, a qualidade da estimativa dos parâmetros com este método é afetada quando: há presença de ruído nos sinais coletados, empregam-se controladores de ordem reduzida, ou os dados são coletados de um experimento pouco informativo. Assim, o presente trabalho propõe soluções para esses três problemas. Para o caso ruidoso, o problema do VRFT é formulado com as soluções de mínimos quadrados Data Least Squares (DLS) e Constrained Total Least Squares (CTLS). Na solução CTLS considerouse não apenas controladores com parametrização linear, mas também controladores com polos e zeros livres, permitindo mais flexibilidade na escolha da estrutura do controlador. Para o caso de controladores de ordem reduzida, são propostos filtros para a solução CTLS, permitindo sua aplicação nesse caso. No caso em que os dados são coletados de um experimento pouco informativo, como dados de operação, por exemplo, a utilização de todo o conjunto de dados não necessariamente melhora a estimativa dos parâmetros, nem o desempenho em malha fechada. Portanto, no presente trabalho foram adaptados para o método VRFT dois critérios de seleção de subconjuntos muito informativos de dados, presentes na literatura de identificação de sistemas. No contexto do presente trabalho, subconjuntos muito informativos de dados são segmentos do conjunto de dados original que contêm informação relevante para identificação dos parâmetros do controlador. Todas as contribuições propostas são ilustradas através de simulações.