Identificação de modelos dinâmicos com incerteza de medição através de lógica fuzzy

• Ano de defesa: 2013
• Autor(a) principal: Fontes, Raony Maia
• Orientador(a): Fontes, Cristiano Hora, Kalid, Ricardo de Araújo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Lógica difusa; Controle de processo; Modelos matemáticos
• Link de acesso: http://www.repositorio.ufba.br/ri/handle/ri/13212

Este trabalho apresenta uma metodologia para a identi fica ção de modelos dinâmicos usando logica fuzzy, que considera a inclusão da incerteza de medi ção do processo, descrito por uma fun c~ao de densidade de probabilidade, diretamente na estrutura do modelo. O modelo compreende um sistema de infer^encia fuzzy, baseado em Takagi-Sugeno e na estrutura din^amica NARX (Non linear AutoRegreesive with eXogeneus Input). As entradas e saí das são representadas na forma não-singleton e descritas por fun ções de pertinência. Para isso são avaliados alguns m étodos para a transforma ção de probabilidade em possibilidade, a transformação ótima (DUBOIS; PRADE; SANDRI, 1993) e a transforma ção truncada (MAURIS, 2000), para a representação da incerteza, que, então, são comparadas com metodologias cl ássicas descritas no GUM e GUM-S1 (Guide to the Expression of Uncertainty in Measurement e seu Suplemento n°1). O modelo identi cado, al ém de representar o comportamento dinâmico da vari ável de sa ída, e capaz de predizer o seu intervalo de abrangência ao longo do tempo, contribuindo assim para os estudos na área de avalia ção de incerteza dinâmica, uma vez que é um campo ainda pouco explorado e de grande importância para aplica ção em engenharia. Três estudos de caso foram analisados e os resultados obtidos pelo modelo fuzzy foram comparados com a simulação de Monte Carlo estendida para a avalia ção da incerteza em regime dinâmico. O sistema de inferência fuzzy apresentou bom desempenho em todos os casos analisados com um tempo de processamento at é 1 x 10³ vezes menor que a t écnica de Monte Carlo. Isto sugere que a metodologia de identi ca ção desenvolvida e vi avel em aplica ções industriais, como desenvolvimentos de analisadores virtuais, filtros e controladores.