Detalhes bibliográficos
| Ano de defesa: |
2018 |
| Autor(a) principal: |
Souza, Fábio Ricardo de Lima |
| Orientador(a): |
Araújo, Fábio Meneghetti Ugulino de |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufrn.br/jspui/handle/123456789/25959
|
Resumo: |
A modelagem matemática é uma tarefa de vital importância para o desenvolvimento da ciência e da tecnologia, cujo objetivo é obter uma descrição matemática de um fenômeno real. Independente de sua natureza, os sistemas reais precisam ser estudados e sua dinâmica deve ser conhecida para que seu funcionamento se dê como desejado. A forma clássica de obter uma representação matemática é através da análise das relações fenomenológicas que regem os sistemas. No entanto, devido a complexidade desses é, muitas vezes, difícil ou impossível seguir por esse caminho. Uma alternativa é a identificação de sistemas. A identificação de sistemas dinâmicos tem como objetivo obter uma representação matemática do comportamento de um sistema com base em dados de entrada e saída do mesmo. Uma característica dos sistemas dinâmicos que influencia na escolha do método utilizado para a identificação é a linearidade dos mesmos. Os sistemas dinâmicos reais são não lineares, todavia, em algumas aplicações, as aproximações lineares são suficientes. Quando as representações lineares não expressam a dinâmica do processo da forma necessária, é preciso utilizar um modelo não linear. Nas últimas décadas, as redes neurais têm se estabelecido como uma das principais ferramentas para a identificação de sistemas dinâmicos não lineares, pois essas possuem características que as tornam atrativas para a identificação, como a não linearidade e a capacidade de generalização e aprendizado. De posse de um modelo que represente de forma satisfatória a dinâmica de um sistema, esse pode ser utilizado para aplicações como controle, predição, inferência, entre outros. O presente trabalho aplica uma Fuzzy Wavelet Neural Network na identificação de sistemas dinâmicos não lineares. Essa técnica híbrida combina as características de multirresolução da teoria wavelet com a capacidade de aprendizado e generalização das redes neurais e a capacidade de tratar incertezas da lógica fuzzy. O modelo obtido será utilizado para a sintonia de um controlador PID. No decorrer do trabalho, serão apresentados os conceitos e técnicas necessárias para a realização da identificação e da sintonia do controlador. Os resultados obtidos atestam a eficiência das técnicas utilizadas. |
