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

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