Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.ufpa.br:8080/jspui/handle/2011/12170
Tipo: Dissertação
Fecha de publicación : 25-oct-2019
Autor(es): CRUZ, Jahyrahã Leal dos Santos
Primer Orientador: SILVEIRA, Antonio da Silva
Título : Augmentação estocástica com horizonte de predição estendido baseada no PID para um sistema multivariável
Otros títulos : PID-based extended prediction horizon stochastic augmentation for a multivariable system
metadata.dc.description.sponsorship: CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico
Citación : CRUZ, Jahyrahã Leal dos Santos. Augmentação estocástica com horizonte de predição estendido baseada no PID para um sistema multivariável. Orientador: Antônio da Silva Silveira. 2019. 105 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em:http://repositorio.ufpa.br:8080/jspui/handle/2011/12170 . Acesso em:.
Resumen: Esta pesquisa objetiva investigar e projetar um sistema de controle baseado na Augmentação Estocástica com Horizonte de Predição Estendido com 10-passos à frente, em que a agumentação consiste na junção das características de um controlador linear com um controlador preditivo estocástico, resultando em um sistema de controle com garantias de robustez com características preditiva, linear e estocástica. Para aplicação da Augmentação Estocástica, os controladores escolhidos são, o controlador PID clássico e o controlador GMV incremental, os quais são augmentados, resultando em um controlador com horizonte de predição estendido, o controlador AEHP. De modo que, o controlador PID clássico no domínio de tempo discreto é comparado com o controlador preditivo AEHP. Ambos os controladores são testados em um processo de bancada, por simulação, que representa a dinâmica de um helicóptero, sendo este denominado Helicóptero 2DOF (H2DOF), fabricado pela empresa Quanser. O H2DOF é um sistema multivariável, cujo modelo no espaço de estado é transformado para a forma de função de transferência, gerando dois sistemas SISO, um para o ângulo de arfagem e outro para o ângulo de guinada, em que as influências do acoplamento são consideradas para o sistema. A transformação para função de transferência reduz a complexidade do sistema multivariável, permitindo a utilização de uma lei de controle mais simples. Além disso, é realizado o emparceiramento de entrada e saída, para verificar qual entrada é mais sensível a uma determinada saída, por meio do método da matriz de ganhos relativos. E para a comprovação da eficiência do sistema de controle baseado na Augmentação Estocástica com Horizonte de Predição Estendido, são realizados testes por simulação no ambiente de software da MathWorks®, sendo estes, teste de desempenho dos horizontes de predição, acoplamento do sistema, perturbação de carga na saída e perturbação gaussiana. Em que, os testes são avaliados por meio de índices de desempenho e robustez. De forma que, o controlador preditivo AEHP, obteve os melhores resultados para maioria dos índices de desempenho com garantias de robustez, se comparado com o controlador PID clássico no domínio de tempo discreto.
Resumen : The objective of this research was to investigate and design a control system based on the Stochastic Augmentation with Extended Prediction Horizon using 10-steps ahead, consisting of the union of characteristics of a linear deterministic controller with a stochastic predictive controller, resulting in a control system with guaranteed robustness and with predictive, linear, and stochastic characteristics. For the application of the Stochastic Augmentation, the chosen controllers were the classic PID and the GMV in its incremental form, where the former was augmented resulting in a controller with extended prediction horizon, the AEHP. The classic PID controller in the discrete time domain is compared to AEHP. Both controllers were tested in simulations with a process model that represents the dynamics of a helicopter, denominated 2DOF Helicopter (H2DOF), produced by the Quanser company. The H2DOF is a multivariable system, whose model in the state space is transformed to the transfer function form, generating two coupled subsystems, one for the pitch angle and other to the yaw angle, in which the couplings influence were considered as disturbances in the controllers design stage. The transformation of the system model to the transfer function form reduced the complexity of multivariable system in the state space, allowing the use of a more simple control law. Furthermore, it was performed the pairing of input and output, to verify what output was more sensible the one specific input, by means of Relative Gain Array. And to prove the control system efficiency based in the Stochastic Augmentation with extended prediction horizon, simulations were realized using the software Matlab®, assessing the performance of extended prediction horizon, enduring the coupled dynamics, facing load disturbances and Gaussian disturbances. The essays were evaluated by robustness and performance indices. The predictive AEHP controller obtained better results for most indices with guaranteed robustness, compared to the discrete-time PID controller.
Palabras clave : Controlador GMV
Augmentação estocástica
Horizonte de predição estendido
controle preditivo
controlador PID
metadata.dc.subject.areadeconcentracao: SISTEMAS DE ENERGIA ELÉTRICA
metadata.dc.subject.linhadepesquisa: SISTEMAS DE POTÊNCIA
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
País: Brasil
Editorial : Universidade Federal do Pará
Sigla da Instituição: UFPA
Instituto: Instituto de Tecnologia
Programa: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
metadata.dc.source: 1 CD-ROM
Aparece en las colecciones: Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Dissertacao_AugmentacaoEstocasticaHorizonte.pdf4,12 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons