Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Santos, Alef Tenorio
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
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:
Approximate controller
Constraints
Controlador aproximado
MPC
Neural networks
Redes neurais
Restrições
Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3137/tde-23052024-073218/
Resumo: Visando manter a competitividade em meio a crises mundiais através da busca pela otimização em meio industrial, iniciou-se o desenvolvimento dos controladores preditivos. Houve evolução ao longo dos anos, mas o termo MPC (controle preditivo baseado em modelo) ganhou popularidade no meio acadêmico e industrial. Nesse tipo de controle, as ações ótimas são obtidas a partir da resolução de um problema de otimização online (durante a aplicação do controlador). Uma alternativa explorada na literatura é a aproximação de MPCs através de algoritmos de aprendizado de máquina, a qual oferece a possibilidade de manter a robustez associada a um controlador avançado, mas com um menor esforço computacional. Essa abordagem foi discutida anteriormente na literatura, mas com limitações, entre elas a geração de offset, a imposição de restrições das ações de controle através de algoritmos de otimização e a ausência da abordagem por faixas. Nesse contexto, o presente trabalho aborda o desenvolvimento de estratégia para lidar com o offset gerado pela aproximação do controlador SISO, considerando dados de instantes passados por meio de redes neurais artificiais. A extensão do controlador aproximado desenvolvido para a abordagem MIMO com restrições também é apresentada, incluindo uma etapa de pré-processamento dos dados, o que possibilita alterações das restrições online. Além disso, foram desenvolvidas duas estratégias de controle aproximado por faixas, não antes abordadas na literatura, com boa performance para os casos avaliados e livre de vieses relacionados aos dados utilizados na etapa de treinamento. Os controladores foram testados utilizando modelos identificados com dados de um sistema industrial de vaporização de fluido térmico.
id USP_e238933536cc78dd386b7bf70a5cf3e8
oai_identifier_str oai:teses.usp.br:tde-23052024-073218
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiaisDevelopment of zone control with constraints approximate control strategies based on artificial neural networks.Approximate controllerConstraintsControlador aproximadoMPCMPCNeural networksRedes neuraisRestriçõesVisando manter a competitividade em meio a crises mundiais através da busca pela otimização em meio industrial, iniciou-se o desenvolvimento dos controladores preditivos. Houve evolução ao longo dos anos, mas o termo MPC (controle preditivo baseado em modelo) ganhou popularidade no meio acadêmico e industrial. Nesse tipo de controle, as ações ótimas são obtidas a partir da resolução de um problema de otimização online (durante a aplicação do controlador). Uma alternativa explorada na literatura é a aproximação de MPCs através de algoritmos de aprendizado de máquina, a qual oferece a possibilidade de manter a robustez associada a um controlador avançado, mas com um menor esforço computacional. Essa abordagem foi discutida anteriormente na literatura, mas com limitações, entre elas a geração de offset, a imposição de restrições das ações de controle através de algoritmos de otimização e a ausência da abordagem por faixas. Nesse contexto, o presente trabalho aborda o desenvolvimento de estratégia para lidar com o offset gerado pela aproximação do controlador SISO, considerando dados de instantes passados por meio de redes neurais artificiais. A extensão do controlador aproximado desenvolvido para a abordagem MIMO com restrições também é apresentada, incluindo uma etapa de pré-processamento dos dados, o que possibilita alterações das restrições online. Além disso, foram desenvolvidas duas estratégias de controle aproximado por faixas, não antes abordadas na literatura, com boa performance para os casos avaliados e livre de vieses relacionados aos dados utilizados na etapa de treinamento. Os controladores foram testados utilizando modelos identificados com dados de um sistema industrial de vaporização de fluido térmico.Aiming to improve competitiveness during global crises through the search for optimization in the industrial environment, the development of predictive controllers was initiated. There has been evolution over the years, but the term MPC (Model Predictive Control) has gained popularity in academia and industry. In this type of control, the optimal actions are obtained from solving an online optimization problem (during the application of the controller). An alternative explored in the literature is the approximation of MPCs through machine learning algorithms, which offers the possibility of maintaining the robustness associated with an advanced controller, but with less computational effort. This approach was previously discussed in literature, but with limitations, including the generation of offset, the imposition of constraints on control actions through optimization algorithms and the absence of control zones approach. In this context, the present work addresses the development of a strategy to deal with the offset generated by the approach of the SISO controller, considering data from past sampling moments through artificial neural networks. The evolution of the approximate controller extension developed for the MIMO approach with constraints is also presented, including a data pre-processing step, which allows changes to the constraints online. Furthermore, two approximate zone control strategies were developed, not previously discussed in the literature, with good performance for the cases evaluated and free from biases related to the data used in the training stage. The controllers were tested using models identified with data from an industrial thermal fluid vaporization system.Biblioteca Digitais de Teses e Dissertações da USPOdloak, DarciSantos, Alef Tenorio2024-03-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3137/tde-23052024-073218/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/openAccesspor2024-05-27T11:00:05Zoai:teses.usp.br:tde-23052024-073218Biblioteca 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:27212024-05-27T11:00:05Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
Development of zone control with constraints approximate control strategies based on artificial neural networks.
title Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
spellingShingle Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
Santos, Alef Tenorio
Approximate controller
Constraints
Controlador aproximado
MPC
MPC
Neural networks
Redes neurais
Restrições
title_short Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
title_full Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
title_fullStr Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
title_full_unstemmed Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
title_sort Desenvolvimento de estratégias de controle aproximado por faixas e com restrições utilizando redes neurais artificiais
author Santos, Alef Tenorio
author_facet Santos, Alef Tenorio
author_role author
dc.contributor.none.fl_str_mv Odloak, Darci
dc.contributor.author.fl_str_mv Santos, Alef Tenorio
dc.subject.por.fl_str_mv Approximate controller
Constraints
Controlador aproximado
MPC
MPC
Neural networks
Redes neurais
Restrições
topic Approximate controller
Constraints
Controlador aproximado
MPC
MPC
Neural networks
Redes neurais
Restrições
description Visando manter a competitividade em meio a crises mundiais através da busca pela otimização em meio industrial, iniciou-se o desenvolvimento dos controladores preditivos. Houve evolução ao longo dos anos, mas o termo MPC (controle preditivo baseado em modelo) ganhou popularidade no meio acadêmico e industrial. Nesse tipo de controle, as ações ótimas são obtidas a partir da resolução de um problema de otimização online (durante a aplicação do controlador). Uma alternativa explorada na literatura é a aproximação de MPCs através de algoritmos de aprendizado de máquina, a qual oferece a possibilidade de manter a robustez associada a um controlador avançado, mas com um menor esforço computacional. Essa abordagem foi discutida anteriormente na literatura, mas com limitações, entre elas a geração de offset, a imposição de restrições das ações de controle através de algoritmos de otimização e a ausência da abordagem por faixas. Nesse contexto, o presente trabalho aborda o desenvolvimento de estratégia para lidar com o offset gerado pela aproximação do controlador SISO, considerando dados de instantes passados por meio de redes neurais artificiais. A extensão do controlador aproximado desenvolvido para a abordagem MIMO com restrições também é apresentada, incluindo uma etapa de pré-processamento dos dados, o que possibilita alterações das restrições online. Além disso, foram desenvolvidas duas estratégias de controle aproximado por faixas, não antes abordadas na literatura, com boa performance para os casos avaliados e livre de vieses relacionados aos dados utilizados na etapa de treinamento. Os controladores foram testados utilizando modelos identificados com dados de um sistema industrial de vaporização de fluido térmico.
publishDate 2024
dc.date.none.fl_str_mv 2024-03-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/3/3137/tde-23052024-073218/
url https://www.teses.usp.br/teses/disponiveis/3/3137/tde-23052024-073218/
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_ 1815258468664213504

Registros relacionados