Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Outros Autores: | |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
Texto Completo: | http://repositorio.utfpr.edu.br/jspui/handle/1/10160 |
Resumo: | Nos últimos séculos, a humanidade vem buscando aprimorar sua capacidade de modelar matematicamente sistemas desconhecidos. As técnicas de identificação de sistemas modernas surgem como resposta à crescente complexidade dos sistemas que necessitam ser modelados. A identificação pode ser realizada por meio de modelos NARX - Nonlinear AutoRegressive with eXogenous input. Essa estrutura de modelo utiliza combinações de regressores e parâmetros para representar o comportamento de sistemas com características não-lineares. Os métodos de determinação dos regressores e suas combinações dependem, muitas vezes, de processos computacionalmente pouco eficientes. Como alternativa a esses, empregou-se neste trabalho a técnica de computação evolucionária denominada Programação Genética, PG. Adicionalmente, caracterizou-se a aplicação de um operador baseado no Método dos Mínimos Quadrados, MMQ, para auxiliar o processo evolutivo. A metodologia proposta foi validada através de dois sistemas: uma planta de vazão e um levitador magnético. Apesar de um aumento no tempo de processamento da PG, a aplicação do operador de MMQ gerou uma redução na ordem de 70% no MSE - Mean Square Error - dos melhores indivíduos, em relação aos valores obtidos sem o operador. A partir dos resultados atingidos, conclui-se que a identificação de sistemas, assistida pela PG, apresentou modelos precisos para os sistemas propostos. |
id |
UTFPR-12_6de59431d1ef7e9c2db9bc9f39a5d968 |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/10160 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2020-11-12T17:21:45Z2020-11-12T17:21:45Z2018-11-25ZANON FILHO, Artur Luiz; ALVES, Luis Henrique de Oliveira. Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética. 2018. 76 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2018.http://repositorio.utfpr.edu.br/jspui/handle/1/10160Nos últimos séculos, a humanidade vem buscando aprimorar sua capacidade de modelar matematicamente sistemas desconhecidos. As técnicas de identificação de sistemas modernas surgem como resposta à crescente complexidade dos sistemas que necessitam ser modelados. A identificação pode ser realizada por meio de modelos NARX - Nonlinear AutoRegressive with eXogenous input. Essa estrutura de modelo utiliza combinações de regressores e parâmetros para representar o comportamento de sistemas com características não-lineares. Os métodos de determinação dos regressores e suas combinações dependem, muitas vezes, de processos computacionalmente pouco eficientes. Como alternativa a esses, empregou-se neste trabalho a técnica de computação evolucionária denominada Programação Genética, PG. Adicionalmente, caracterizou-se a aplicação de um operador baseado no Método dos Mínimos Quadrados, MMQ, para auxiliar o processo evolutivo. A metodologia proposta foi validada através de dois sistemas: uma planta de vazão e um levitador magnético. Apesar de um aumento no tempo de processamento da PG, a aplicação do operador de MMQ gerou uma redução na ordem de 70% no MSE - Mean Square Error - dos melhores indivíduos, em relação aos valores obtidos sem o operador. A partir dos resultados atingidos, conclui-se que a identificação de sistemas, assistida pela PG, apresentou modelos precisos para os sistemas propostos.For the past few centuries, humankind has searched for ways to improve its capacity to mathematically model unknown systems. Modern system identification techniques arise as a response to the increasing complexity of the systems that need to be modeled. Identification can be achieved through the use of NARX, Nonlinear AutoRegressive with eXogenous input, models. This model structure uses regressors and parameters in order to represent the behavior of systems with nonlinear characteristics. Methods of determining regressors and their combinations often depend on low efficiency computer processes. As an alternative, this paper employs an evolutionary computation technique named Genetic Programming, GP. In addition, the aplication of a Least Squares Method, LSM, operator was defined, in assistance to the evolutionary process. The algorithm was utilized to identify two systems: an industrial fluid flow plant and a magnetic levitator. In spite of an increase in the mean processing time, the use of the LSM operator produced a near 70% reduction of the Mean Square Error, MSE, of the best individuals in relation to the results without the operator. With the obtained results, it is concluded that system identification through GP exhibited precise models for the proposed systems.porUniversidade Tecnológica Federal do ParanáCuritibaCurso de Engenharia ElétricaUTFPRBrasilCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::CONTROLE DE PROCESSOS ELETRONICOS, RETROALIMENTACAOMínimos quadradosModelos matemáticosSistemas não-linearesEngenharia elétricaLeast squaresMathematical modelsNonlinear systemsElectric engineeringIdentificação de sistemas a partir de modelos NARX com seleção de regressores por programação genéticaNARX model systems identification with regressor selection by genetic programminginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisCuritibaOroski, ElderOroski, ElderFrencl, Victor BaptistaPês, Beatriz dos SantosZanon Filho, Artur LuizAlves, Luis Henrique de Oliveirainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALCT_COELE_2018_2_19.pdfapplication/pdf2931523http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/1/CT_COELE_2018_2_19.pdfe2aced31de6d78d820241b5e94e6403dMD51LICENSElicense.txttext/plain1290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/2/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD52TEXTCT_COELE_2018_2_19.pdf.txtExtracted texttext/plain109566http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/3/CT_COELE_2018_2_19.pdf.txt691c52aa634aed7d726f55001d5c5e7eMD53THUMBNAILCT_COELE_2018_2_19.pdf.jpgGenerated Thumbnailimage/jpeg1296http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/4/CT_COELE_2018_2_19.pdf.jpgce9c2a5c2389dd0d3425592b1e7566bcMD541/101602020-11-12 15:21:46.358oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2020-11-12T17:21:46Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética |
dc.title.alternative.pt_BR.fl_str_mv |
NARX model systems identification with regressor selection by genetic programming |
title |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética |
spellingShingle |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética Zanon Filho, Artur Luiz CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::CONTROLE DE PROCESSOS ELETRONICOS, RETROALIMENTACAO Mínimos quadrados Modelos matemáticos Sistemas não-lineares Engenharia elétrica Least squares Mathematical models Nonlinear systems Electric engineering |
title_short |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética |
title_full |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética |
title_fullStr |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética |
title_full_unstemmed |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética |
title_sort |
Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética |
author |
Zanon Filho, Artur Luiz |
author_facet |
Zanon Filho, Artur Luiz Alves, Luis Henrique de Oliveira |
author_role |
author |
author2 |
Alves, Luis Henrique de Oliveira |
author2_role |
author |
dc.contributor.advisor1.fl_str_mv |
Oroski, Elder |
dc.contributor.referee1.fl_str_mv |
Oroski, Elder |
dc.contributor.referee2.fl_str_mv |
Frencl, Victor Baptista |
dc.contributor.referee3.fl_str_mv |
Pês, Beatriz dos Santos |
dc.contributor.author.fl_str_mv |
Zanon Filho, Artur Luiz Alves, Luis Henrique de Oliveira |
contributor_str_mv |
Oroski, Elder Oroski, Elder Frencl, Victor Baptista Pês, Beatriz dos Santos |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::CONTROLE DE PROCESSOS ELETRONICOS, RETROALIMENTACAO |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::CONTROLE DE PROCESSOS ELETRONICOS, RETROALIMENTACAO Mínimos quadrados Modelos matemáticos Sistemas não-lineares Engenharia elétrica Least squares Mathematical models Nonlinear systems Electric engineering |
dc.subject.por.fl_str_mv |
Mínimos quadrados Modelos matemáticos Sistemas não-lineares Engenharia elétrica Least squares Mathematical models Nonlinear systems Electric engineering |
description |
Nos últimos séculos, a humanidade vem buscando aprimorar sua capacidade de modelar matematicamente sistemas desconhecidos. As técnicas de identificação de sistemas modernas surgem como resposta à crescente complexidade dos sistemas que necessitam ser modelados. A identificação pode ser realizada por meio de modelos NARX - Nonlinear AutoRegressive with eXogenous input. Essa estrutura de modelo utiliza combinações de regressores e parâmetros para representar o comportamento de sistemas com características não-lineares. Os métodos de determinação dos regressores e suas combinações dependem, muitas vezes, de processos computacionalmente pouco eficientes. Como alternativa a esses, empregou-se neste trabalho a técnica de computação evolucionária denominada Programação Genética, PG. Adicionalmente, caracterizou-se a aplicação de um operador baseado no Método dos Mínimos Quadrados, MMQ, para auxiliar o processo evolutivo. A metodologia proposta foi validada através de dois sistemas: uma planta de vazão e um levitador magnético. Apesar de um aumento no tempo de processamento da PG, a aplicação do operador de MMQ gerou uma redução na ordem de 70% no MSE - Mean Square Error - dos melhores indivíduos, em relação aos valores obtidos sem o operador. A partir dos resultados atingidos, conclui-se que a identificação de sistemas, assistida pela PG, apresentou modelos precisos para os sistemas propostos. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-11-25 |
dc.date.accessioned.fl_str_mv |
2020-11-12T17:21:45Z |
dc.date.available.fl_str_mv |
2020-11-12T17:21:45Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
ZANON FILHO, Artur Luiz; ALVES, Luis Henrique de Oliveira. Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética. 2018. 76 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2018. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/10160 |
identifier_str_mv |
ZANON FILHO, Artur Luiz; ALVES, Luis Henrique de Oliveira. Identificação de sistemas a partir de modelos NARX com seleção de regressores por programação genética. 2018. 76 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2018. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/10160 |
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 Tecnológica Federal do Paraná Curitiba |
dc.publisher.program.fl_str_mv |
Curso de Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Curitiba |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/1/CT_COELE_2018_2_19.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/2/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/3/CT_COELE_2018_2_19.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10160/4/CT_COELE_2018_2_19.pdf.jpg |
bitstream.checksum.fl_str_mv |
e2aced31de6d78d820241b5e94e6403d b9d82215ab23456fa2d8b49c5df1b95b 691c52aa634aed7d726f55001d5c5e7e ce9c2a5c2389dd0d3425592b1e7566bc |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1805922950761676800 |