Identificação de sistemas de guindaste de pórtico

• Autor(a) principal: Oliveira, Carlos Eduardo Pedroso de
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/254330
• topic: Guindastes; Estimação de parâmetros; Identificação de sistemas; System identification; Parameter estimation; Gantry crane systems; Optimization; 3D models

Guindastes de pórtico são sistemas amplamente aplicados na indústria para o transporte de cargas. Esses são sistemas não lineares, os quais apresentam um característico acoplamento entre seus graus de liberdade. Uma propriedade bastante marcante desses sistemas é a indução de oscilações significativas na carga devido aos movimentos do mecanismo de suporte para o posicionamento da mesma. Diante dessa característica surge a motivação para o controle desses sistemas. Visando fornecer um modelo do sistema para a aplicação das técnicas de controle, este trabalho realiza a estimação de parâmetros físicos de modelos 3D (tridimensionais) de sistemas de guindaste de pórtico. Além disso, também são identificados modelos lineares polinomiais do tipo ARMAX (Autoregressive Moving Average with Exogenous Inputs) e OE (Output error). Os estimadores propostos são desenvolvidos a partir do modelo não linear e do modelo linearizado do sistema. Também é analisado o impacto do método de discretização adotado, comparando-se as estimações realizadas considerando os métodos de Euler e Runge-Kutta. A fim de fazer uma análise estatística dos resultados obtidos, foram realizados 100 experimentos de Monte Carlo para um dos estimadores de parâmetros físicos propostos e outros 100 para cada estrutura de modelos polinomiais identificados. Observou-se a partir dos resultados menores erros de estimação para os estimadores com discretização através do método de Runge-Kutta, sendo que não foram observadas diferenças significativas quando utilizados o modelos linearizado ou não linear. Nos resultados dos modelos polinomiais, se constatou melhores ajustes aos dados por parte dos modelos ARMAX, os quais também foram identificados de forma mais consistente que os modelos OE.