This thesis presents a data-driven approach to constrained control in the form of a subspace-based state-space system identification algorithm integrated into a model predictive controller. Generally this approach has been termed model-free predictive control in the literature. Previous research into this area focused on the system identification aspects resulting in an omission of many of the features that would make such a control strategy attractive to industry. These features include constraint handling, zero-offset setpoint tracking and non-stationary disturbance rejection. The link between non-stationary disturbance rejection in subspace-based state-space system identification and integral action in state-space based model predictive control was shown. Parameterization with Laguerre orthonormal functions was proposed for the reduction in computational load of the controller. Simulation studies were performed using three real-world systems demonstrating: identification capabilities in the presence of white noise and non-stationary disturbances; unconstrained and constrained control; and the benefits and costs of parameterization with Laguerre polynomials.

Bibliography: leaves 197-206. / viii, 210 leaves : ill. ; 30 cm. / Title page, contents and abstract only. The complete thesis in print form is available from the University Library. / The objective of this work is to study some new inverse problems related to mechanical systems, typical to the theory of vibration and engineering practice. / Thesis (Ph.D.)--University of Adelaide,Dept. of Mechanical Engineering, 1997

Thesis (Ph.D.)--McMaster University (Canada), 1990. / Source: Dissertation Abstracts International, Volume: 62-13, Section: A, page: 0000.

Thesis (Ph. D.)--University of Wyoming, 2005. / Title from PDF title page (viewed on Oct. 16, 2007). Includes bibliographical references (p. 117-120).

Thesis (M.S.)--Rochester Institute of Technology, 1993. / Typescript. Includes bibliographical references (leaves [89]-[90]).

Thesis (Ph.D.)--McMaster University, 2003. / Advisor: James P. Reilly. Includes bibliographical reference (leaves 142-151). Also available via World Wide Web.

Many high-dimensional time-varying signals can be modeled as a sequence of noisy nonlinear observations of a low-dimensional dynamical process. Given high-dimensional observations and a distribution describing the dynamical process, we present a computationally inexpensive approximate algorithm for estimating the inverse of this mapping. Once this mapping is learned, we can invert it to construct a generative model for the signals. Our algorithm can be thought of as learning a manifold of images by taking into account the dynamics underlying the low-dimensional representation of these images. It also serves as a nonlinear system identification procedure that estimates the inverse of the observation function in nonlinear dynamic system. Our algorithm reduces to a generalized eigenvalue problem, so it does not suffer from the computational or local minimum issues traditionally associated with nonlinear system identification, allowing us to apply it to the problem of learning generative models for video sequences.

Biorreatores, que são explorados desde a antiguidade, são sistemas capazes de realizar a fermentação de compostos orgânicos, continuam sendo amplamente utilizados atualmente devido à diversidade de aplicações. Esses sistemas podem operar em diferentes modos de fermentação, entretanto, os mais utilizados são: fermentação contínua, semicontínua e descontínua. Esse último, juntamente com o processo de digestão anaeróbia (ausência de oxigênio), permitem que uma determinada matéria orgânica seja degradada e transformada em biogás, um dos fatores chave para geração de energia limpa. Percebe-se, portanto, que o estudo de biorreatores em modo de operação descontínuo e em processo de digestão anaeróbia é fundamental para o desenvolvimento de pesquisas relacionadas à geração de energia renovável. Para facilitar o entendimento desse processo, alguns autores propuseram estudos baseados na identificação de parâmetros em modelos não-lineares descritivos, do tipo caixa-branca, que hoje são vastamente utilizados na modelagem de biorreatores. A grande limitação dessa abordagem é que o processo de identificação de sistemas utilizando esses modelos pode ser complexo e demorado, ou, ainda, os parâmetros dos sistemas representados podem não ser identificáveis, inviabilizando o procedimento. Tentando amenizar essas dificuldades, propomos neste trabalho a utilização de modelos polinomiais NAR e NARMA do tipo caixa-preta para a modelagem de biorreatores em modo de fermentação descontínua. Modelos caixa-preta representam sistemas reais por meio de sua saída, sem informação sobre os mecanismos internos desse sistema, simplificando a identificação. Frente a esse contexto, o objetivo deste estudo é investigar a predição e, por consequência, realizar o monitoramento da produção de metano utilizando os modelos caixa-preta propostos em sistemas de biorreatores em modo descontínuo e em processo de digestão anaeróbia. Realizamos estudos que abarcam a investigação de dados simulados e de dados reais. Num primeiro momento são propostos modelos polinomiais dos tipos NAR e NARMA. A partir desses modelos são estimados os parâmetros dos sistemas simulados, com e sem ruído na saída, baseados em condições iniciais propostas na literatura, que denominamos Grupo de Controle. Posteriormente realizamos as validações desses modelos. Em seguida, passamos à etapa de investigação do domínio de validade dos modelos caixa-preta propostos, realizando um estudo em que modificamos as condições iniciais do sistema que representa biorreatores em modo de fermentação descontínua. Por fim, utilizamos dados de um experimento real para realizar o processo de estimação de parâmetros e de validação dos modelos. Os resultados mostraram que os modelos polinomiais NAR e NARMA são bastante adequados para predição de metano em biorreatores em modo de fermentação descontínua em processo de digestão anaeróbia, tanto para os dados simulados quanto para os dados reais. / Bioreactors, which are explored since antiquity, are systems that are capable of performing the fermentation of organic compounds. Nowadays, they are widely applied due to its diversity of applications. These systems can operate in different fermentation modes: continuous, fed-batch and batch. This last fermentation method along with the process of anaerobic digestion allow organic matter to be degraded and converted into biogas, which is a key factor for clean energy generation. It is thus realized that the study of bioreactors in batch mode and anaerobic digestion process is crucial to the development of research related to renewable energy generation. For a better understanding of the process, some authors have proposed studies based on parameters identification in descriptive nonlinear models, white-box models, which are widely used in bioreactors modeling. The main limitation of this approach is that the system identification procedure using these models can be complex and time-consuming, or even the parameters of the systems may not be identifiable. In order to overcome these difficulties, we propose in this work the use of black-box polynomial models for bioreactor modeling in batch mode, with NAR and NARMA model structures. Black-box models represent real systems using its output, without explicitly considering the inner mechanisms of the system, simplifying the identification procedure. Thus, the aim of this work is to investigate the prediction and monitoring methane production using the black-box models proposed using bioreactor systems in batch and anaerobic digestion process. The investigation uses numerical simulation and experimental data. At first, polynomial models of the types NAR and NARMA are proposed. The parameters from these models using simulation data with and without noise at the output, based on initial conditions proposed in the literature, are estimated. Subsequently we perform validations of these models. The next step is the study of the validity domain of the proposed black-box models, which is performed by testing many different initial conditions of the system that represents bioreactors in batch fermentation mode. Finally, we used real experimental data to perform the estimation of the parameters from the process and validation of models. The results, both simulated and experimental, indicate that the polynomial models NAR and NARMA are appropriate for prediction of methane fermentation in batch bioreactors.

A identificação de sistemas em malha fechada assume papel importante no contexto atual, já que reduz o custo operacional do processo de identificação no estágio de testes, evitando, por exemplo, a geração de produtos fora de especificação. Entretanto, requer uma série de cuidados especiais no tratamento dos dados a serem analisados para a obtenção dos modelos. Nesta dissertação um estudo acerca da identificação de sistemas monovariáveis lineares a partir de dados de operação em malha fechada, avaliando diferentes métodos e técnicas de identificação em malha fechada já consolidados é apresentado. Um novo método, recentemente proposto por Agüero (2005), o Virtual Closed Loop ouMétodo da Malha Virtual, que consiste na adição e remoção virtual de um controlador à malha analisada, de forma a filtrar a ação de controle real em um procedimento totalmente offline, é estudado em detalhes e uma adaptação é realizada na metodologia, com a simplificação do filtro virtual e forma de obtenção do modelo da malha aberta. O desenvolvimento e estudo da metodologia estão baseados em uma série de sistemas SISO distintos, com dinâmicas variáveis. Além disso, diferentes cenários com características peculiares são aplicados ao estudo, como distúrbios não medidos e ruído de medição, ilustrando de forma simples possíveis comportamentos dinâmicos encontrados em plantas industriais. / The identification of closed loop systems has taken on an important role in the current context, since it reduces the operational costs of the identification process in the testing stage, thus avoiding, for instance, the creation of non-specified products. However, it requires special care in the treatment of data to be analyzed for the obtainment of models. In this work, we present a study on the identification of linear models from closed loops operational data, evaluating different consolidated methods and techniques of closed loop identification. A new method is studied in detail in this work: the Virtual Closed Loop, which was proposed by Agüero (2005). It consists of the virtual addition and removal of a controller to the analyzed loop, so as to filter the input of the system in a completely offline procedure. It is also presented modifications on this methodology resulting in an simplification of the virtual filter and in the ways to obtain the open loop model. The development and study of this methodology are both based on different SISO systems, with variable dynamics. Other interesting characteristics, peculiar to the study, are considered in this work, as noise and dither signals. It illustrates, in a simple way, possible dynamic behavior patterns found in industrial plants.

Biorreatores, que são explorados desde a antiguidade, são sistemas capazes de realizar a fermentação de compostos orgânicos, continuam sendo amplamente utilizados atualmente devido à diversidade de aplicações. Esses sistemas podem operar em diferentes modos de fermentação, entretanto, os mais utilizados são: fermentação contínua, semicontínua e descontínua. Esse último, juntamente com o processo de digestão anaeróbia (ausência de oxigênio), permitem que uma determinada matéria orgânica seja degradada e transformada em biogás, um dos fatores chave para geração de energia limpa. Percebe-se, portanto, que o estudo de biorreatores em modo de operação descontínuo e em processo de digestão anaeróbia é fundamental para o desenvolvimento de pesquisas relacionadas à geração de energia renovável. Para facilitar o entendimento desse processo, alguns autores propuseram estudos baseados na identificação de parâmetros em modelos não-lineares descritivos, do tipo caixa-branca, que hoje são vastamente utilizados na modelagem de biorreatores. A grande limitação dessa abordagem é que o processo de identificação de sistemas utilizando esses modelos pode ser complexo e demorado, ou, ainda, os parâmetros dos sistemas representados podem não ser identificáveis, inviabilizando o procedimento. Tentando amenizar essas dificuldades, propomos neste trabalho a utilização de modelos polinomiais NAR e NARMA do tipo caixa-preta para a modelagem de biorreatores em modo de fermentação descontínua. Modelos caixa-preta representam sistemas reais por meio de sua saída, sem informação sobre os mecanismos internos desse sistema, simplificando a identificação. Frente a esse contexto, o objetivo deste estudo é investigar a predição e, por consequência, realizar o monitoramento da produção de metano utilizando os modelos caixa-preta propostos em sistemas de biorreatores em modo descontínuo e em processo de digestão anaeróbia. Realizamos estudos que abarcam a investigação de dados simulados e de dados reais. Num primeiro momento são propostos modelos polinomiais dos tipos NAR e NARMA. A partir desses modelos são estimados os parâmetros dos sistemas simulados, com e sem ruído na saída, baseados em condições iniciais propostas na literatura, que denominamos Grupo de Controle. Posteriormente realizamos as validações desses modelos. Em seguida, passamos à etapa de investigação do domínio de validade dos modelos caixa-preta propostos, realizando um estudo em que modificamos as condições iniciais do sistema que representa biorreatores em modo de fermentação descontínua. Por fim, utilizamos dados de um experimento real para realizar o processo de estimação de parâmetros e de validação dos modelos. Os resultados mostraram que os modelos polinomiais NAR e NARMA são bastante adequados para predição de metano em biorreatores em modo de fermentação descontínua em processo de digestão anaeróbia, tanto para os dados simulados quanto para os dados reais. / Bioreactors, which are explored since antiquity, are systems that are capable of performing the fermentation of organic compounds. Nowadays, they are widely applied due to its diversity of applications. These systems can operate in different fermentation modes: continuous, fed-batch and batch. This last fermentation method along with the process of anaerobic digestion allow organic matter to be degraded and converted into biogas, which is a key factor for clean energy generation. It is thus realized that the study of bioreactors in batch mode and anaerobic digestion process is crucial to the development of research related to renewable energy generation. For a better understanding of the process, some authors have proposed studies based on parameters identification in descriptive nonlinear models, white-box models, which are widely used in bioreactors modeling. The main limitation of this approach is that the system identification procedure using these models can be complex and time-consuming, or even the parameters of the systems may not be identifiable. In order to overcome these difficulties, we propose in this work the use of black-box polynomial models for bioreactor modeling in batch mode, with NAR and NARMA model structures. Black-box models represent real systems using its output, without explicitly considering the inner mechanisms of the system, simplifying the identification procedure. Thus, the aim of this work is to investigate the prediction and monitoring methane production using the black-box models proposed using bioreactor systems in batch and anaerobic digestion process. The investigation uses numerical simulation and experimental data. At first, polynomial models of the types NAR and NARMA are proposed. The parameters from these models using simulation data with and without noise at the output, based on initial conditions proposed in the literature, are estimated. Subsequently we perform validations of these models. The next step is the study of the validity domain of the proposed black-box models, which is performed by testing many different initial conditions of the system that represents bioreactors in batch fermentation mode. Finally, we used real experimental data to perform the estimation of the parameters from the process and validation of models. The results, both simulated and experimental, indicate that the polynomial models NAR and NARMA are appropriate for prediction of methane fermentation in batch bioreactors.