Técnicas de otimização aplicadas à Identificação de sistemas dinâmicos

• Ano de defesa: 2023
• Autor(a) principal: Souza, Marina Borges Arantes de
• Orientador(a): Oliveira, Edimar José de
• Banca de defesa: Poubel, Raphael Paulo Braga , Pinto, Milena Faria, Santos, Alexandre Bessa dos, Oliveira, Leonardo Willer de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Identificação de sistemas dinâmicos; Estimação de parâmetros; Sistemas não lineares; Geração de sinal de excitação; Modelo híbrido; Identification of dynamical systems; Parameter estimation; Nonlinear systems; Excitation signal generation; Hybrid model
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://doi.org/10.34019/ufjf/te/2023/00070; https://repositorio.ufjf.br/jspui/handle/ufjf/15447

A construção de um modelo confiável é um dos pilares do controle de sistemas autônomos. A identificação é um processo que extrai características de um processo para posterior análise e manipulação do sistema. Modelos matemáticos são um direcionamento do comportamento real de um processo. Entretanto, tais modelos exigem a entrada de alguns parâmetros específicos da operação do sistema. A estimação de parâmetros, é uma forma de identificação que objetiva afinar modelos para que eles se comportem de forma próxima à realidade. Para tanto, utiliza-se métodos de estimação, que aliados a um sinal de entrada eficiente, podem produzir bons resultados. O Sub-Optimal Excitation Signal Generation and Optimal Parameter Estimation (SOESGOPE) é um método apresentado pela literatura que combina a geração de sinais de excitação com a estimação de parâmetros. Embora a metodologia apresente resultados satisfatórios, deve-se analisá-la sob o ponto de vista de otimização, ou seja o quanto ele é confiável e robusto frente a diferentes configurações. Assim, este trabalho apresenta análises nesse aspecto e uma proposta de alteração quando for verificado uma falta de convergência. A aplicabilidade do método é potencializada em situações em que o modelo seja uma cópia razoável do comportamento real. Entretanto, em situações reais, não se pode garantir que um modelo matemático produza saídas similares ao processo real frente a uma mesma entrada. Para contornar esse problema, neste trabalho também é proposta uma técnica híbrida que é capaz de utilizar o modelo matemático como direcionamento e aprender características peculiares àquele processo. Tal modelo híbrido, composto por etapa de estimação e de aprendizado de comportamento, será capaz de corrigir certos erros do sistema real relacionados ao modelo e atingir saídas mais confiáveis através da combinação do modelo teórico com técnicas de aprendizado. Além disso, o SOESGOPE é um aliado ao processo de aprendizado visto que fornece sinais de excitação mais eficientes. A eficácia do método é comprovada através da aplicação em uma embarcação autônoma com características desafiadoras sob a ótica de identificação, reduzindo o erro de estimação de trajetória.