1 |
[pt] IDENTIFICAÇÃO NÃO LINEAR CAIXA-PRETA DE SISTEMAS PIEZOELÉTRICOS / [en] NONLINEAR BLACK-BOX IDENTIFICATION OF PIEZOELECTRIC SYSTEMSMATHEUS PATRICK SOARES BARBOSA 10 September 2021 (has links)
[pt] Atuadores baseados em materiais piezelétricos apresentam características
ideais para aplicações como transmissão acústica e micromanipulação. No
entanto, não-linearidades inerentes a estes atuadores, como histerese e fluência,
aumentam o desafio de controla-los. Além disso, a crescente necessidade de
atuadores mais precisos e rápidos aliada a frequentes mudanças nas condições
ambientais e operacionais agravam ainda mais o problema. Modelagens analíticas
são específicas ao sistema ao qual foram feitas, o que significa que elas
não são facilmente escalonáveis e eficientes para todos os tipos de sistemas.
Adicionalmente, com o aumento da complexidade, os fenômenos que regem
a física do sistema não são totalmente conhecidos, tornando difícil o desenvolvimento
destes modelos. Este trabalho investiga esses desafios do ponto de
vista da metodologia de identificação de sistemas e modelos baseados em dados
para atuadores piezelétricos. A abordagem de modelagem caixa preta foi
testada com dados experimentais adquiridos em um ambiente de laboratório
para os estudos de caso de micromanipulação e transmissão acústica. Sinais de
uso geral foram empregados como entrada de excitação do sistema de modo a
acelerar a aquisição e estimação dos parâmetros. Parte dos modelos desenvolvidos
foram validados com um conjunto de dados separado. Em ambos os casos
foi necessário pré-processamento para otimização da quantidade de dados. Os
modelos testados incluem a Média Móvel AutoRegressiva com entradas eXógenas
(ARMAX), AutoRegressiva Não Linear com entradas eXógenas (NARX)
com uma estrutura de rede neural artificial e Média Móvel AutoRegressiva Não
Linear com entradas eXógenas (NARMAX). Os resultados mostram uma boa
capacidade de prever as não-linearidades do micro manipulador e, portanto, a
histerese em diferentes frequências de entrada. O sistema de transmissão acústica
foi modelado com sucesso. Embora os resultados mostrem que ainda há
espaço para melhorias, eles fornecem informações importantes sobre possíveis
otimizações para o sistema uma vez que os modelos apresentados são uteis
para janelas de predição curtas. / [en] Actuators based on piezoelectric materials have ideal characteristics for
applications such as acoustic transmission and micromanipulation. However,
the inherent nonlinearities of those actuators, such as hysteresis and creep,
greatly increase the challenge to control such devices. Furthermore, the increasing
need for more precise and faster actuators, allied with frequent changes in
the environmental and operational conditions, further worsens the problem.
Analytical models are application-specific, meaning that they are not easily
and efficiently scalable to all systems. Also, with increased complexity, the
understating of underlying phenomena is not fully documented, making it difficult
to develop such models. This work investigates those challenges from the
perspective of the system identification methodology and data-driven models
for piezoelectric actuators. The black-box approach is tested with experimental
data acquired in a laboratory setting for micromanipulator and acoustic transmission
case studies. In some datasets, general-purpose signals were employed
as the excitation input of the system to accelerate the data acquisition of the
whole system dynamic and estimation process. Additionally, some models were
validated on a separate dataset. In both cases, preprocessing was employed to
optimize the amount of data. The tested models include the AutoRegressive
Moving Average with eXogenous inputs (ARMAX), Nonlinear AutoRegressive
with eXogenous inputs (NARX) with an artificial neural network structure,
and Nonlinear AutoRegressive Moving Average with eXogenous inputs (NARMAX).
The results show a good ability to predict the nonlinearities of the
micromanipulator and, therefore, the hysteresis at different input frequencies.
The acoustic transmission system was successfully modeled. Although the results
show that there is still room for improvements, it provides insights into
possible optimizations for the setup as the models here devised are useful for
short prediction windows.
|
Page generated in 0.023 seconds