Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada

Detalhes bibliográficos
Ano de defesa: 2009
Autor(a) principal: Eduardo, Gabriel de Paula
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Algorítimos genéticos
Controle de dinâmica veicular
Genetic algorithms
Neurocontrolador
Neurocontroller
Vehicle dynamics control
Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18149/tde-17012011-145140/
Resumo: Apresenta uma solução inovadora de controle por redes neurais artificiais aprendendo segundo a técnica de aprendizagem por reforço usando algoritmos genéticos para integrar múltiplos sistemas ativos no controle de estabilidade de um veículo. Estudo, restringido a um domínio de manobras, foi desenvolvido excluindo falhas e alterações da planta no tempo. Contribui para responder como o controlador de dinâmica veicular pode ser aperfeiçoado para atuação simultânea de múltiplos sistemas ativos. Contempla o desenvolvimento do neurocontrolador e algoritmo de aprendizagem na plataforma Matlab, de um modelo de dinâmica veicular em ambiente ADAMS e do modelo de referência, atuadores e observador com programação Matlab. Analisa a estabilidade da planta e define regiões de atuação do controlador. Apresenta um estudo e definição da técnica de controle de estabilidade em guinada para nortear a função de otimização, o treinamento e as simulações. Treinamento da rede neural para acomodar as não linearidades envolvidas na planta e para otimizar a integração dos múltiplos sistemas ativos focando nas especificações de desempenho do controlador e no domínio de situações a serem analisadas. Simulação de situações e manobras para validação e avaliação do desempenho do controlador com co-simulação entre Matlab e ADAMS. Resultados qualitativos e quantitativos do desempenho do controlador justificando a integração efetiva dos sistemas e o neurocontrolador não-linear.
id USP_562e588ae0d1fa8aaa981b200e2e3660
oai_identifier_str oai:teses.usp.br:tde-17012011-145140
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinadaOptimal neurocontroller by genetic algorithms for multiple vehicle dynamics active systems at yawAlgorítimos genéticosControle de dinâmica veicularGenetic algorithmsNeurocontroladorNeurocontrollerVehicle dynamics controlApresenta uma solução inovadora de controle por redes neurais artificiais aprendendo segundo a técnica de aprendizagem por reforço usando algoritmos genéticos para integrar múltiplos sistemas ativos no controle de estabilidade de um veículo. Estudo, restringido a um domínio de manobras, foi desenvolvido excluindo falhas e alterações da planta no tempo. Contribui para responder como o controlador de dinâmica veicular pode ser aperfeiçoado para atuação simultânea de múltiplos sistemas ativos. Contempla o desenvolvimento do neurocontrolador e algoritmo de aprendizagem na plataforma Matlab, de um modelo de dinâmica veicular em ambiente ADAMS e do modelo de referência, atuadores e observador com programação Matlab. Analisa a estabilidade da planta e define regiões de atuação do controlador. Apresenta um estudo e definição da técnica de controle de estabilidade em guinada para nortear a função de otimização, o treinamento e as simulações. Treinamento da rede neural para acomodar as não linearidades envolvidas na planta e para otimizar a integração dos múltiplos sistemas ativos focando nas especificações de desempenho do controlador e no domínio de situações a serem analisadas. Simulação de situações e manobras para validação e avaliação do desempenho do controlador com co-simulação entre Matlab e ADAMS. Resultados qualitativos e quantitativos do desempenho do controlador justificando a integração efetiva dos sistemas e o neurocontrolador não-linear.Presents an innovative control solution with artificial neural networks learning using reinforcement learning by genetic algorithms to integrate multiple active systems to control yaw vehicle stability. Study restricted to a maneuver domain and excluding plant changes in time and failures. Contributes to answer how the vehicle dynamics controller can be improved for multiple simultaneous active systems. Development of the neurocontroller and learning algorithm in Matlab, vehicle dynamics model in ADAMS environment and reference model, actuators and observer with Matlab programming. Plant stability analysis and activation areas definition. Study and method definition for stability yaw control to guide the task of optimization, training and simulation. Training the neural network to accomplish the plant nonlinearity and to optimize the multiple active systems synergy targeting the controller performance specifications and the analyzed conditions domain. Conditions and maneuvers simulation to validate and evaluate the controller performance using cosimulation between Matlab and ADAMS. Qualitative and quantitative controller results justifying the effective systems integration and non-linear neurocontroller.Biblioteca Digitais de Teses e Dissertações da USPCosta Neto, AlvaroEduardo, Gabriel de Paula2009-02-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/18/18149/tde-17012011-145140/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2016-07-28T16:10:26Zoai:teses.usp.br:tde-17012011-145140Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212016-07-28T16:10:26Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
Optimal neurocontroller by genetic algorithms for multiple vehicle dynamics active systems at yaw
title Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
spellingShingle Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
Eduardo, Gabriel de Paula
Algorítimos genéticos
Controle de dinâmica veicular
Genetic algorithms
Neurocontrolador
Neurocontroller
Vehicle dynamics control
title_short Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
title_full Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
title_fullStr Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
title_full_unstemmed Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
title_sort Neuro-controlador ótimo por algoritmos genéticos para múltiplos sistemas ativos de dinâmica veicular em guinada
author Eduardo, Gabriel de Paula
author_facet Eduardo, Gabriel de Paula
author_role author
dc.contributor.none.fl_str_mv Costa Neto, Alvaro
dc.contributor.author.fl_str_mv Eduardo, Gabriel de Paula
dc.subject.por.fl_str_mv Algorítimos genéticos
Controle de dinâmica veicular
Genetic algorithms
Neurocontrolador
Neurocontroller
Vehicle dynamics control
topic Algorítimos genéticos
Controle de dinâmica veicular
Genetic algorithms
Neurocontrolador
Neurocontroller
Vehicle dynamics control
description Apresenta uma solução inovadora de controle por redes neurais artificiais aprendendo segundo a técnica de aprendizagem por reforço usando algoritmos genéticos para integrar múltiplos sistemas ativos no controle de estabilidade de um veículo. Estudo, restringido a um domínio de manobras, foi desenvolvido excluindo falhas e alterações da planta no tempo. Contribui para responder como o controlador de dinâmica veicular pode ser aperfeiçoado para atuação simultânea de múltiplos sistemas ativos. Contempla o desenvolvimento do neurocontrolador e algoritmo de aprendizagem na plataforma Matlab, de um modelo de dinâmica veicular em ambiente ADAMS e do modelo de referência, atuadores e observador com programação Matlab. Analisa a estabilidade da planta e define regiões de atuação do controlador. Apresenta um estudo e definição da técnica de controle de estabilidade em guinada para nortear a função de otimização, o treinamento e as simulações. Treinamento da rede neural para acomodar as não linearidades envolvidas na planta e para otimizar a integração dos múltiplos sistemas ativos focando nas especificações de desempenho do controlador e no domínio de situações a serem analisadas. Simulação de situações e manobras para validação e avaliação do desempenho do controlador com co-simulação entre Matlab e ADAMS. Resultados qualitativos e quantitativos do desempenho do controlador justificando a integração efetiva dos sistemas e o neurocontrolador não-linear.
publishDate 2009
dc.date.none.fl_str_mv 2009-02-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/18/18149/tde-17012011-145140/
url http://www.teses.usp.br/teses/disponiveis/18/18149/tde-17012011-145140/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815257771511119872

Registros relacionados