Desenvolvimento de uma ferramenta de validação de modelos para controladores preditivos baseados em modelos.

• Ano de defesa: 2020
• Autor(a) principal: Reyes Dreke, Victor Daniel
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial intelligence; Controle de processos; Controle preditivo; Dynamic matrix control; Inteligência artificial; Model based predictive controller; Quadratic dynamic matrix control
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3139/tde-08072021-140955/

Quantificar a qualidade de um modelo é um problema existente na área de Identificação de Sistemas. Esta atividade, também conhecida como validação, é fundamental nas aplicações onde se utilizam Controladores Preditivos baseados em Modelos, porque estes precisam de um modelo adequado para seu bom funcionamento. Baseado nisto, nesta dissertação são implementados três algoritmos de Inteligência Artificial capazes de predizer, de forma autônoma, quão adequado pode ser um modelo para este tipo de aplicação. Os algoritmos são Árvores de Decisão, Máquina de Suporte de Vetores e Redes Neurais Artificiais. Eles predizem a qualidade do modelo a partir de resultados de outras métricas de validação não existentes. As plantas para a implementação destes algoritmos são: (i) Planta de Clarke (simulada) e (ii) Planta Piloto de Neutralização de pH (real) do Laboratório de Controle de Processos Industriais da Escola Politécnica da Universidade de São Paulo. Em ambos os casos se usa um algoritmo Dynamic Matrix Control - DMC ou sua variante Quadratic Dynamic Matrix Control - QDMC (em caso de se ter restrições) para executar o controle. Como resultado deste trabalho obtiveram-se algoritmos capazes de predizer a qualidade do modelo com uma acurácia de 84,1%, 91,5% e 91,0% para a malha de controle da Planta de Clarke, e de Nível e de pH para a Planta Piloto de Neutralização de pH, respectivamente.