Contribuições à análise de robustez de sistemas de controle usando redes neurais


Autoria(s): Gabriel Filho, Oscar
Contribuinte(s)

Maitelli, André Laurindo

CPF:11376040697

http://lattes.cnpq.br/4171033998524192

CPF:42046637100

http://lattes.cnpq.br/0477027244297797

Oliveira, Roberto Célio Limão de

CPF:24657905287

http://lattes.cnpq.br/4497607460894318

Cerqueira, Jés de Jesus Fiais

CPF:27558231515

http://lattes.cnpq.br/3099827700882478

Dória Neto, Adrião Duarte

CPF:10749896434

http://lattes.cnpq.br/1987295209521433

Mota, Francisco das Chagas

CPF:39276066420

http://lattes.cnpq.br/1640808531484356

Data(s)

17/12/2014

12/02/2007

17/12/2014

05/03/2004

Resumo

This work develops a robustness analysis with respect to the modeling errors, being applied to the strategies of indirect control using Artificial Neural Networks - ANN s, belong to the multilayer feedforward perceptron class with on-line training based on gradient method (backpropagation). The presented schemes are called Indirect Hybrid Control and Indirect Neural Control. They are presented two Robustness Theorems, being one for each proposed indirect control scheme, which allow the computation of the maximum steady-state control error that will occur due to the modeling error what is caused by the neural identifier, either for the closed loop configuration having a conventional controller - Indirect Hybrid Control, or for the closed loop configuration having a neural controller - Indirect Neural Control. Considering that the robustness analysis is restrict only to the steady-state plant behavior, this work also includes a stability analysis transcription that is suitable for multilayer perceptron class of ANN s trained with backpropagation algorithm, to assure the convergence and stability of the used neural systems. By other side, the boundness of the initial transient behavior is assured by the assumption that the plant is BIBO (Bounded Input, Bounded Output) stable. The Robustness Theorems were tested on the proposed indirect control strategies, while applied to regulation control of simulated examples using nonlinear plants, and its results are presented

Este trabalho utiliza as Redes Neurais Multicamadas - RNM s, totalmente com treinamento em tempo real (on-line), no desenvolvimento de duas estratégias de controle indireto. Os esquemas propostos denominam-se Controle Híbrido Indireto e Controle Neural Indireto. Todo o treinamento dos neurodispositivos - o identificador da planta e o controlador, quando presentes na malha de controle indireto, é realizado com um mínimo de atraso computacional, de modo a contemplar o controle de plantas com pequenos períodos de amostragem. São apresentados Teoremas de Estabilidade para garantia da convergência dos dispositivos neurais, assim como foram feitas considerações para adequar o método de aceleração da convergência h-adaptativo utilizado às condições de estabilidade. Para cada esquema de controle indireto foi desenvolvido um teorema que permite calcular o máximo erro permanente (steady-state error) que poderá ocorrer em função da tolerância previamente especificada para convergência dos dispositivos neurais usados na malha de controle, desde que a estabilidade seja garantida. Estes teoremas foram denominados de Teoremas da Robustez e constituem a principal contribuição deste trabalho. As condições de estabilidade e robustez foram testadas para as estratégias de Controle Híbrido Indireto e de Controle Neural Indireto, sendo apresentados os resultados obtidos na simulação computacional do controle de regulação de plantas não-lineares, BIBO (Bounded Input, Bounded Output) estáveis

Formato

application/pdf

Identificador

GABRIEL FILHO, Oscar. Contribuições à análise de robustez de sistemas de controle usando redes neurais. 2004. 169 f. Tese (Doutorado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2004.

http://repositorio.ufrn.br:8080/jspui/handle/123456789/15178

Idioma(s)

por

Publicador

Universidade Federal do Rio Grande do Norte

BR

UFRN

Programa de Pós-Graduação em Engenharia Elétrica

Automação e Sistemas; Engenharia de Computação; Telecomunicações

Direitos

Acesso Aberto

Palavras-Chave #Estabilidade e Robustez de Sistemas de Controle Neurais #Controle Inteligente #Redes Neurais Artificiais #Redes Multicamadas #Neural Control Systems #Stability and Robustness #Intelligent Control #Artificial Neural Networks #Multilayer Perceptron #CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Tipo

Tese