Identificação do controlador ótimo para rejeição a perturbação

• Ano de defesa: 2021
• Autor(a) principal: Scheid Filho, Ricardo
• Orientador(a): Campestrini, Lucíola
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Controle baseado em dados; Perturbações de carga; Engenharia de controle e automação
• Palavras-chave em Inglês: Control systems; Data-driven control; Control design; Reference model; Load disturbance rejection
• Link de acesso: http://hdl.handle.net/10183/231582

No projeto de sistemas de controle, uma característica usualmente buscada no sistema em malha fechada diz respeito à capacidade de seguimento de referência com erro nulo em regime permanente. No contexto de controle baseado em dados, por sua vez, não é diferente, sendo a literatura voltada ao problema do seguimento de referência muito mais explorada do que o problema da rejeição a distúrbios na entrada do sistema. Levando em consideração que em inúmeras aplicações industriais o problema da rejeição a perturba- ção é tão ou mais relevante que o problema de seguimento de referência, este trabalho apresenta um novo método direto de controle baseado em dados dedicado ao problema da rejeição a perturbação. Inspirado pela solução trazida pelo método Optimal Controller Identification (OCI), que permite a identificação dos parâmetros do controlador para o caso do seguimento de referência, o método aqui estruturado também utiliza uma abordagem por erro de predição, que visa proporcionar propriedades estatísticas mais vantajosas se comparadas a outros métodos encontrados na literatura quando os dados utilizados são afetados por ruído. Devido à complexidade da função objetivo estruturada pelo problema, um algoritmo de otimização dedicado também é desenvolvido permitindo a identificação do modelo de referência simultaneamente à identificação dos parâmetros do controlador. Através de exemplos de aplicação, os resultados do método aqui denominado Optimal Controller Identification for Disturbance rejection (OCI-D) mostram que as propriedades estatísticas obtidas de fato são melhores que as presentes em métodos que utilizam mínimos quadrados e variável instrumental para a solução do problema de otimização.