Redes neurais com estados de eco aplicadas em controle dependente dos estados

Detalhes bibliográficos
Ano de defesa: 2015
Autor(a) principal: Moletta, Eduardo
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: Universidade Tecnológica Federal do Paraná
Ponta Grossa
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/2456
Resumo: In around 1764, it emerged a new branch of science – the theory of control - when James Watt was given a model Newcomen engine to repair. He realised that it was hopelessly inefficient and began to work to improve the design. He did a velocit controller to solve the problem. The evolution of these systems is shown in State-dependent Riccati equation (SDRE) techniques. Although it is a very advanced technique in relation to the capacity of performing control, some problems have to be faced for its use, as the necessity of computational resources of high level and cost, which may impede the use of SDRE in some systems. The solution for these problems is pointed out in this study by the use of Echo State Neural Networks (ESNs). These neural networks have inputs and outputs and the inputs are processed through the use of algorithms in order to reach the desired results, and for that the neural network has to be under a task of training. After that we use the behavioral SDRE data for the training followed by the neural network efficiency test for the system control and for the computational cost. The results are compared to the ones obtained with the ESN control. This test was realized for a micro eletromechanical system and the control of the active suspension of a half-car. The results were positive as the ESN could perform the control in a short time in relation to the SDRE. There is also a fixed structure which makes possible some adjusts for different kinds of control.
id UTFPR-12_1a88d59b00a9c0c518a9502f0928fd13
oai_identifier_str oai:repositorio.utfpr.edu.br:1/2456
network_acronym_str UTFPR-12
network_name_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository_id_str
spelling Redes neurais com estados de eco aplicadas em controle dependente dos estadosNeural networks with echo states applied in state-dependent controlRedes neurais (Neurobiologia)Teoria do controleEngenharia elétricaNeural networks (Neurobiology)Control theoryElectric engineeringCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia ElétricaIn around 1764, it emerged a new branch of science – the theory of control - when James Watt was given a model Newcomen engine to repair. He realised that it was hopelessly inefficient and began to work to improve the design. He did a velocit controller to solve the problem. The evolution of these systems is shown in State-dependent Riccati equation (SDRE) techniques. Although it is a very advanced technique in relation to the capacity of performing control, some problems have to be faced for its use, as the necessity of computational resources of high level and cost, which may impede the use of SDRE in some systems. The solution for these problems is pointed out in this study by the use of Echo State Neural Networks (ESNs). These neural networks have inputs and outputs and the inputs are processed through the use of algorithms in order to reach the desired results, and for that the neural network has to be under a task of training. After that we use the behavioral SDRE data for the training followed by the neural network efficiency test for the system control and for the computational cost. The results are compared to the ones obtained with the ESN control. This test was realized for a micro eletromechanical system and the control of the active suspension of a half-car. The results were positive as the ESN could perform the control in a short time in relation to the SDRE. There is also a fixed structure which makes possible some adjusts for different kinds of control.Por volta de 1764 aparece um novo ramo da ciência - A teoria de controle - quando James Watt consertou uma máquina Newcomen e percebeu que essa era ineficiente, e criou um sistema de controle de velocidades. A evolução destes sistemas controladores pode ser observada no controle utilizando a equação de Riccati dependente de estados (SDRE). Apesar de ser uma técnica muito avançada em relação à capacidade de realizar o controle, alguns problemas precisam ser encarados quanto à sua utilização, como a necessidade de se ter recursos computacionais de alto nível e custo. Essas questões podem impedir o uso da técnica SDRE em alguns sistemas. Uma solução para este problema é apontada através do uso de uma rede neural (RNA) chamada de Rede Neural com Estados de Eco (ESN). As RNAs possuem arquiteturas baseadas em redes neurais biológicas para que tenhamos resultados desejados na saída. Para que essa saída seja satisfatória a rede neural passa por um processo de treinamento. Sendo assim, usase os dados de comportamento do SDRE para a realização do treinamento da ESN. Depois disso, realizam-se testes quanto à eficiência da rede neural no controle do sistema a ser controlado e ao custo computacional. Os resultados são comparados aos obtidos com o controle ESN. Este teste foi realizado para um sistema micro eletromecânico e o controle da suspensão ativa de um half-car. Os resultados obtidos foram positivos, pois a ESN conseguiu realizar o controle utilizando menos tempo de processamento em relação ao SDRE, além de possuir uma estrutura base fixa, possibilitando ajustes para realização de diferentes tipos de controle.Universidade Tecnológica Federal do ParanáPonta GrossaBrasilPrograma de Pós-Graduação em Engenharia ElétricaUTFPRPontes, José Carlos Alberto dehttp://lattes.cnpq.br/0359445257491639Verges, Marcos Cesarhttp://lattes.cnpq.br/8873491769275411Boccato, LevyTusset, Angelo MarceloSiqueira, Hugo ValadaresPontes, José Carlos Alberto deMoletta, Eduardo2017-09-22T14:10:45Z2017-09-22T14:10:45Z2015-02-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMOLETTA, Eduardo. Redes neurais com estados de eco aplicadas em controle dependente dos estados. 2015. 83 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2015.http://repositorio.utfpr.edu.br/jspui/handle/1/2456porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPR2017-09-22T14:10:45Zoai:repositorio.utfpr.edu.br:1/2456Repositório InstitucionalPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestriut@utfpr.edu.br || sibi@utfpr.edu.bropendoar:2017-09-22T14:10:45Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false
dc.title.none.fl_str_mv Redes neurais com estados de eco aplicadas em controle dependente dos estados
Neural networks with echo states applied in state-dependent control
title Redes neurais com estados de eco aplicadas em controle dependente dos estados
spellingShingle Redes neurais com estados de eco aplicadas em controle dependente dos estados
Moletta, Eduardo
Redes neurais (Neurobiologia)
Teoria do controle
Engenharia elétrica
Neural networks (Neurobiology)
Control theory
Electric engineering
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia Elétrica
title_short Redes neurais com estados de eco aplicadas em controle dependente dos estados
title_full Redes neurais com estados de eco aplicadas em controle dependente dos estados
title_fullStr Redes neurais com estados de eco aplicadas em controle dependente dos estados
title_full_unstemmed Redes neurais com estados de eco aplicadas em controle dependente dos estados
title_sort Redes neurais com estados de eco aplicadas em controle dependente dos estados
author Moletta, Eduardo
author_facet Moletta, Eduardo
author_role author
dc.contributor.none.fl_str_mv Pontes, José Carlos Alberto de
http://lattes.cnpq.br/0359445257491639
Verges, Marcos Cesar
http://lattes.cnpq.br/8873491769275411
Boccato, Levy
Tusset, Angelo Marcelo
Siqueira, Hugo Valadares
Pontes, José Carlos Alberto de
dc.contributor.author.fl_str_mv Moletta, Eduardo
dc.subject.por.fl_str_mv Redes neurais (Neurobiologia)
Teoria do controle
Engenharia elétrica
Neural networks (Neurobiology)
Control theory
Electric engineering
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia Elétrica
topic Redes neurais (Neurobiologia)
Teoria do controle
Engenharia elétrica
Neural networks (Neurobiology)
Control theory
Electric engineering
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia Elétrica
description In around 1764, it emerged a new branch of science – the theory of control - when James Watt was given a model Newcomen engine to repair. He realised that it was hopelessly inefficient and began to work to improve the design. He did a velocit controller to solve the problem. The evolution of these systems is shown in State-dependent Riccati equation (SDRE) techniques. Although it is a very advanced technique in relation to the capacity of performing control, some problems have to be faced for its use, as the necessity of computational resources of high level and cost, which may impede the use of SDRE in some systems. The solution for these problems is pointed out in this study by the use of Echo State Neural Networks (ESNs). These neural networks have inputs and outputs and the inputs are processed through the use of algorithms in order to reach the desired results, and for that the neural network has to be under a task of training. After that we use the behavioral SDRE data for the training followed by the neural network efficiency test for the system control and for the computational cost. The results are compared to the ones obtained with the ESN control. This test was realized for a micro eletromechanical system and the control of the active suspension of a half-car. The results were positive as the ESN could perform the control in a short time in relation to the SDRE. There is also a fixed structure which makes possible some adjusts for different kinds of control.
publishDate 2015
dc.date.none.fl_str_mv 2015-02-06
2017-09-22T14:10:45Z
2017-09-22T14:10:45Z
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 MOLETTA, Eduardo. Redes neurais com estados de eco aplicadas em controle dependente dos estados. 2015. 83 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2015.
http://repositorio.utfpr.edu.br/jspui/handle/1/2456
identifier_str_mv MOLETTA, Eduardo. Redes neurais com estados de eco aplicadas em controle dependente dos estados. 2015. 83 f. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2015.
url http://repositorio.utfpr.edu.br/jspui/handle/1/2456
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Ponta Grossa
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Ponta Grossa
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
dc.source.none.fl_str_mv reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
instname:Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
instname_str Universidade Tecnológica Federal do Paraná (UTFPR)
instacron_str UTFPR
institution UTFPR
reponame_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
collection Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository.name.fl_str_mv Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)
repository.mail.fl_str_mv riut@utfpr.edu.br || sibi@utfpr.edu.br
_version_ 1850498271587336192