Navegando por Assunto "Recursive least squares identification"

Agora exibindo 1 - 1 de 1

Acesso aberto (Open Access)
Metodologia e síntese de controladores híbridos clássico-neurais aplicados a sistemas mimo não lineares: estudo de caso em helicóptero 2-dof
(Universidade Federal do Pará, 2025-09-11) SILVA, Matheus Morais da; SILVEIRA, Antonio da Silva; http://lattes.cnpq.br/1828468407562753; https://orcid.org/0000-0002-2698-2677; OLIVEIRA, Roberto Célio Limão de; BARRA JÚNIOR, Walter; FONSECA NETO, João Viana da; ARAÚJO, Rejane Barros; http://lattes.cnpq.br/4497607460894318; http://lattes.cnpq.br/0492699174212608; http://lattes.cnpq.br/0029055473709795; http://lattes.cnpq.br/8760830024389437; https://orcid.org/0000-0002-6640-3182; xxx; https://orcid.org/0000-0003-4606-7510; xxx
Esta dissertação apresenta um estudo de caso no desenvolvimento e aplicação de uma metodologia de controle híbrido baseada na integração entre estruturas clássicas descentralizadas do tipo RST-PI por redes neurais artificiais do tipo Perceptron Multicamadas (MLP), aplicada ao controle de posição de um helicóptero didático com dois graus de liberdade (H2DOF). A planta estudada possui características de um sistema multivariável (MIMO) não linear com acoplamentos dinâmicos entre os eixos de guinada e arfagem, sujeito a perturbações e variações paramétricas que dificultam a obtenção de modelos analíticos precisos e a sintonia eficiente de controladores convencionais locais. Visando superar essas limitações, primeiramente é realizada a identificação do sistema por meio do algoritmo de Mínimos Quadrados Recursivos (MQR) em espaço de estados, possibilitando a obtenção de modelos lineares aproximados para diferentes regiões operacionais, onde é efetuada a seleção do melhor modelo estimado por uma proposta de algoritmo de busca pela função custo do método MQR. A partir desse modelo estimado linearizado e médio, são projetados os controladores clássicos nas estruturas RST-PI e RST-PID por meio da técnica de alocação de polos, com os quais são realizados testes em simulação e no protótipo físico, avaliando-se os resultados das respostas de trajetória por métricas de desempenho como a Integral do Erro Médio Quadrático (ISE), Integral do Sinal de Controle Quadrático (ISU) e as variâncias dos sinais de erro e controle, além dos índices de robustez gerados pela análise das curvas de sensibilidade. Com base nos dados coletados dos experimentos no processo real, a rede neural é treinada de maneira offline com o objetivo de identificar, a cada instante, a região de operação da planta e adaptar dinamicamente os ganhos dos controladores, promovendo uma predição de melhoria no desempenho transitório e com menor esforço de controle. Os resultados experimentais indicaram que a abordagem híbrida proposta é capaz de reduzir oscilações, suavizar o sinal de controle e melhorar a resposta em malhas sujeitas a variações abrupta se efeitos de acoplamento. A metodologia desenvolvida demonstra viabilidade prática e técnica, indicando uma direção de como a aplicação de inteligência artificial pode otimizar estratégias de controle clássico em sistemas multivariáveis não lineares com características incertas e variantes.