[pt] O setor de refrigeração tem um papel fundamental e crescente na vida moderna. Seus usos vão desde processos industriais até conservação de alimentos passando por aplicações de conforto térmico. Tamanho peso econômico também se reflete nas emissões de poluentes do segmento. Acordos internacionais têm sido implementados com o objetivo de substituir fluidos refrigerantes que são danosos à camada de ozônio ou com alto potencial de aquecimento global. Outras abordagens visam reduzir o nível de emissões por meio da diminuição do consumo energético da operação de sistemas de refrigeração. Nesse sentido, este trabalho investiga a implementação de uma estratégia baseada em controle preditivo para sistemas de expansão direta. O objetivo foi verificar se o controlador baseado nessa abordagem seria capaz de controlar a temperatura interna de um ambiente. Os resultados mostram que o controlador proposto foi eficaz nessa tarefa para o caso de temperaturas externas constantes, porém ineficaz em contexto dinâmico. Quando o desempenho dessa abordagem foi comparado àquele de um mesmo sistema operando com controlador de duas velocidades, os resultados foram inferiores. A estratégia de controle preditivo foi capaz de manter a temperatura do ambiente refrigerado dentro da faixa desejada em 53 por cento do tempo contra 96 por cento do esquema de duas velocidades. Em paralelo, estudou-se também a aplicação do método de estimação estados em horizonte móvel. O objetivo foi discutir se era possível inferir parâmetros do ciclo de refrigeração sem efetivamente mensurá-los. Os resultados mostram que o modelo de refrigeração proposto é observável em condições externas constantes. Além disso, uma comparação de desempenho entre o sistema operando com fluidos diferentes foi realizada. O intuito foi mostrar as possibilidades do método de estimação no que tange o cálculo de indicadores de desempenho. / [en] The refrigeration sector has a fundamental and growing role in modern life. Its uses range from industrial processes and food preservation to applications of thermal comfort. Its economic weight size is reflected in the level of pollutant emissions of the segment. International agreements have been implemented with the objective of replacing refrigerant fluids that are harmful to the ozone layer or with a high global warming potential. These initiatives seek to mitigate the direct impact of the release of gases into the atmosphere. Other approaches aim to reduce the level of emissions by reducing the energy consumption of the operation of these systems.In this sense, this work investigates the implementation of a strategy based on predictive control for direct expansion systems. The objective was to verify if the control strategy based on this approach would be able to keep the internal temperature of an room within a defined range. The results show that the proposed control scheme was effective for the case of constant external temperatures, but ineffective in a dynamic context. Comparing the performance of this approach to the same system operating with a two velocities control scheme, the results were inferior. The predictive control strategy was able to keep the temperature within the desired range in 53 per cent of the simulation time versus 96 per cent of the two velocity aproach. In parallel, the application of the estimation method states in moving horizon was also studied. The objective was to discuss whether it was possible to infer parameters of the refrigeration cycle without actually measuring them. The results show that the refrigeration model proposed is observable under constant external conditions. In addition, a performance comparison between the system operating with different fluids was performed. The goal was to show the possibilities of this estimation method with respect to the calculation of performance metrics.

[pt] O objetivo deste trabalho é investigar a utilização de um Sistema de Inferência Fuzzy (Fuzzy Inference System) para projetar um sistema de controle semiautônomo adequado a veículos militares, a partir do qual serão definidos valores para o Nível de Intervenção de um controlador automático. São apresentados conceitos básicos sobre a aplicação de Sistemas de Infer ência Fuzzy para a concepção de um ponderador de sinais e sobre a teoria de Controladores Preditivos Baseados em Modelo (Model Predictive Controllers), utilizados na implementação do sistema proposto. A partir da modelagem matemática do sistema dinâmico veicular foram obtidos resultados de simulações do veículo militar enquanto operado em situações perigosas e em que se faça necessária a intervenção do controlador, por exemplo, na presença de ameaças inimigas hostis ou em manobras altamente desestabilizadoras. O comportamento da variável de intervenção do controlador é apresentado por meio de suas curvas de evolução, e indica o seu aumento de acordo com o crescimento do nível de ameaça à qual o veículo está exposto. Os resultados são analisados criticamente, e conclui-se que o uso do sistema proposto resulta em um aumento qualitativo na segurança do veículo, tornando-o um sistema militar mais eficiente, com maior capacidade operacional, além de melhorar as habilidades de seu condutor. / [en] The purpose of this work is to investigate the use of Fuzzy Inference Systems to design an appropriate semi-autonomous control system for military vehicles, from which the choice of the automatic controller intervention level would be achieved. Basic concepts about the application of Fuzzy Inference Systems for the design of a weighted signal generator and about the Model Predictive Controllers theory are presented. These concepts were used for the implementation of the proposed semiautonomous control system. From the mathematical model of the vehicular dynamic system, results were obtained through simulated tests where the military vehicle was being operated in hazardous situations and in which the intervention of the automatic controller was necessary, e.g., in the presence of hostile enemy threats or in highly destabilizing maneuvers. The behavior of the controller s intervention variable is presented through its evolution curves and indicates its increase accordingly to the growth of the threat level to which the vehicle is exposed. The results are criticyzed, and it is concluded that the use of the proposed system will result in a qualitative increase in vehicle s safety, making it a more efficient military system, with greater operational capacity and enhancing the skills of its driver.

[pt] A crescente demanda por sistemas de transporte autônomos e inteligentes exige o desenvolvimento de técnicas avançadas de controle e estimativa, visando garantir operações seguras e eficientes. Devido à natureza não linear da dinâmica veicular e seus fenômenos característicos, os métodos clássicos de estimativa e controle podem não alcançar resultados adequados, o que incentiva a pesquisa de novos algoritmos. Por algumas contribuições, a primeira parte deste trabalho trata de algoritmos de estimação, tanto para identificação de parâmetros invariantes no tempo, quanto para estimação de estados e parâmetros variantes no tempo. Especial destaque é dados aos algoritmos de Estimação de Estados por Horizonte Móvel (MHSE), que se apresenta como robusto e preciso, devido ao problema de otimização com restrição em que se baseia. Este algoritmo é avaliado em dinâmica longitudinal de veículos, para estimativa de deslizamento longitudinal e coeficiente de atrito pneu-estrada. Apesar de sua eficiência, o alto custo computacional torna necessária a busca por alternativas sub-ótimas, e o emprego de Redes Neurais que mapeiam os resultados da otimização é uma solução promissora, que é tratada como Estimação por Horizonte Móvel com Redes Neurais (NNMHE). O NNMHE é avaliado em uma estimativa do estado de carga (SOC) de baterias para veículos elétricos, demonstrando, através de dados experimentais, que o NNMHE emula com precisão o problema de otimização e a literatura indica sua aplicação efetiva em hardwares embarcados. Por fim, é apresentada uma contribuição sobre o controle preditivo baseado em modelo não linear (NMPC). É proposto e avaliado seu uso compondo uma nova estrutura de controle hierárquica para veículos elétricos com motores independentes nas rodas, através do qual é possível controlar adequadamente o veículo em tarefas de rastreamento de velocidade e trajetória, com reduzido esforço computacional. O controle é avaliado usando dados experimentais de pneus obtidos, que aproximam a simulação de situações reais. / [en] The rising demand of autonomous and intelligent transportation systems requires the development of advanced control and estimation techniques, aiming to ensure safety and efficient operations. Due to the nonlinear nature of vehicle dynamics and its characteristic phenomena, classical estimation and control methods may not achieve adequate results, which encourages the research of novel algorithms. By some contributions, the first part of this work deals with estimation algorithms, both for identification of time invariant parameters and for estimation of states and time varying parameters. Special emphasis is given to Moving-Horizon State Estimation (MHSE), which is presented to be robust and accurate, due to the constrained optimization problem on which it is based. This algorithm is evaluated in vehicle longitudinal dynamics, for slip and tire-road friction estimation. Despite its efficiency, the high computational cost makes it necessary to search for suboptimal alternatives, and the employ of a Neural Networks that maps the optimization results is a promising solution, which is treated as Neural Networks Moving-Horizon Estimation (NNMHE). The NNMHE is evaluated on a state-of-charge (SOC) estimation of batteries for electric vehicles, demonstrating, through experimental data, that the NNMHE emulates accurately the optimization problem, and the literature indicates its effectively application on embedded hardware. Finally, a contribution about Nonlinear Model-based Predictive Control (NMPC) is presented. It is proposed and evaluated its use compounding a novel hierarchical control framework for electric vehicles with independent in-wheel motors, through which it is possible to adequately control the vehicle on velocity and path tracking tasks, with reduced computational effort. The control is evaluated using experimental obtained tire data, which approaches the simulation to real situations.

[pt] Os avanços da Robótica nas últimas décadas permitem um aumento nas gamas de aplicações de manipuladores robóticos em diversos setores da indústria. Isto, impacta diretamente a interação Homem-Robô (HRI), resultando em um aumento de tarefas que requerem compartilhamento de ambiente de trabalho, desempenho de segurança e a habilidade de detecção de contato do manipulador robótico. Consequentemente, métodos de controle capazes de prever contato, controlar força ou trajetória para evitar danos durante colisões se tornam cada vez mais necessários seja por questões de segurança ou de desempenho. Separando a dinâmica de um manipulador de um único elo em dois modos, sendo eles modo de controle de posição (modo livre) e modo de controle de torque (modo de contato), a primeira parte desta dissertação, lida com o problema de estimação de estados para detecção do modo ativo através da implementação do método de Estimação de Estados de Horizonte móvel com Redes Neurais (NNMHSE). A efetividade do método de estimação proposto é avaliada através da comparação dos estados e modos gerados pelo MHSE e dos estimados pela Rede Neural. Este método apresentou baixos valores de RMSE, altos valores de R(2), e uma redução do tempo de processamento do algoritmo de estimação. A segunda parte desta dissertação lida com o problema de controle de posição e força chaveado para um manipulador robótico não linear, aplicando Controle Preditivo Baseado em Modelo (MPC). O algoritmo MPC chaveado implementado mostrou-se capaz de controlar efetivamente ambos os modos do sistema apresentando baixo erro na predição, aproximadamente 2 por cento no modo de controle de posição e 0.5 por cento no modo de controle de torque, mesmo considerando alterações cíclicas nos modos. Ambos os métodos provam ser adequados para controle de manipuladores robóticos colocalizados com seres humanos ou em ambientes desestruturados por meio da detecção do modo de operação e do controle chaveado posição-torque. / [en] The advances in Robotics in recent decades allow a growing range of robotic manipulator applications in various industry sectors. This directly impacts Human-Robot Interaction (HRI), increasing tasks that require a shared work environment, safety performance, and the contact detection ability of the robotic manipulator. Consequently, control methods capable of predicting contact, and controlling force or trajectory to avoid damage during collisions become increasingly necessary either for safety or performance reasons. Separating the dynamics of a single-link manipulator into two modes, namely position control mode (free mode) and torque control mode (contact mode), the first part of this dissertation deals with the estimation problem of states for active mode detection through the implementation of the Moving Horizon State Estimation with Neural Networks (NNMHSE) method. The effectiveness of the proposed estimation method is evaluated by comparing the states and modes generated by the MHSE and those estimated by the Neural Network. This method showed low RMSE values, high values of R(2), and a reduction in the processing time of the estimation algorithm. The second part of this dissertation deals with the position and force switching problem for a non-linear robotic manipulator, applying Model-Based Predictive Control (MPC). The implemented switched MPC algorithm effectively controlled both modes of the system, presenting low prediction error, approximately 2 percent in position control mode and 0.5 percent in torque control mode, even considering cyclical changes in the modes. Both methods prove to be suitable for controlling co-located robotic manipulators with humans or in unstructured environments through operation mode detection and position-torque switching control.

[pt] Os veículos automatizados devem trafegar em determinado ambiente detectando, planejando e seguindo uma trajetória segura. De modo a se mostrarem mais seguros que seres humanos, eles devem ser capazes de executar essas tarefas tão bem ou melhor do que motoristas humanos sob diferentes condições críticas. Uma parte essencial no estudo de veículos automatizados o desenvolvimento de modelos representativos que sejam precisos e computacionalmente eficientes. Assim, para lidar com esses problemas, o presente trabalho aplica métodos de inteligência computational e identificação de sistemas para realizar modelagem de veículos e controle de rastreamento de trajetória. Primeiro, arquiteturas neurais são usadas para capturar as características do pneu na interação entre a dinâmica lateral e longitudinal do veículo, reduzindo o custo computacional em controladores preditivos. Em segundo lugar, uma combinação de modelos caixa-preta é usada para melhorar o controle preditivo. Em seguida, uma abordagem híbrida combina modelos baseados na física e orientados por dados com modelagem de caixa-preta das discrepâncias. Essa abordagem é escolhida para melhorar a precisão da modelagem de veículos, propondo um modelo de discrepância para capturar incompatibilidades entre modelos de veículos e dados medidos. Os resultados são mostrados quando os métodos propostos são aplicados a sistemas com dados simulados/reais e comparados com abordagens encontradas na literatura, mostrando um aumento de precisão (até 40 por cento) em termos de métricas baseadas em erro, com menor esforço computacional (redução de até 88 por cento) do que os controladores preditivos convencionais. / [en] Automated vehicles must travel in a given environment detecting, planning, and following a safe path. In order to be safer than humans, they must be able to perform these tasks as well or better than human drivers under different critical conditions. An essential part of the study of automated vehicles is the development of representative models that are accurate and computationally efficient. Thus, to cope with these problems, the present work applies artificial neural networks and system identification methods to perform vehicle modeling and trajectory tracking control. First, neural architectures are used to capture tire characteristics present in the interaction between lateral and longitudinal vehicle dynamics, reducing computational costs for predictive controllers. Secondly, a combination of black-box models is used to improve predictive control. Then, a hybrid approach combines physics-based and data-driven models with black-box modeling of the discrepancies. This approach is chosen to improve the accuracy of vehicle modeling by proposing a discrepancy model to capture mismatches between vehicle models and measured data. Results are shown when the proposed methods are applied to systems with simulated/real data and compared with approaches found in the literature, showing an increase of accuracy (up to 40 percent) in terms of error-based metrics while having lesser computational effort (reduction by up to 88 percent) than conventional predictive controllers.

[pt] Este trabalho apresenta a modelagem e o desenvolvimento de uma metodologia baseada em Controle com Modelo Preditivo (MPC) aplicada ao controle da produção de óleo em um reservatório de petróleo com poços produtores e injetores já existentes. A estratégia MPC utiliza um modelo de aprendizado de máquina, baseado em Aprendizado por Reforço (Reinforcement Learning), como método de busca da política ótima de controle. Os experimentos se realizaram em um reservatório petrolífero sintético com atuadores que são 3 válvulas de injeção de água. Assim, a atuação é realizada através das taxas de injeção de água para determinados intervalos de tempo. As variáveis de saída do campo são: Pressão média do reservatório, taxa diária de produção de óleo, gás, água e water cut na produção. A previsão dessas variáveis é realizada mediante a utilização de uma proxy, a qual é um modelo identificado da planta implementado utilizando redes neurais. Os resultados obtidos indicam que o modelo proposto é capaz de controlar a produção de óleo mesmo com perturbações no poço produtor, para diferentes valores de referência de produção de óleo. / [en] This work presents the modeling and development of a methodology based on Model Predictive Control with (MPC) applied to the control of oil production in an oil reservoir with existing production and injection wells. The MPC strategy is based on a machine learning model - Reinforcement Learning (Reinforcement Learning) - as the method of searching the optimal control policy. The experiments were carried out in an oil reservoir with synthetic valve actuators that are 3 water injections. Therefore, the action is performed by injecting water rates for certain time intervals. The output variables of the field are: average pressure of the reservoir, the daily production of oil, gas, water and water cut. The forecast of these variables is accomplished by a proxy, which is a model identification og the plant implemented by neural networks. The results indicate that the proposed model is capable of controlling oil production even with disturbances in the producing well, for different reference values for oil production.

[pt] Este trabalho tem como objetivo estudar estratégias de Controle Preditivo baseado em Modelo Não-Linear (NMPC) aplicadas a uma coluna de destilação despropanizadora simulada. Essas colunas são empregadas em unidades de processamento de gás natural (UPGNs) para a separação do produto propano do butano. Colunas de destilação possuem características particularmente desafiadoras sob o ponto de vista de controle, como: não-linearidades, grandes constantes de tempo, atraso, restrições de variáveis e inversão do sinal de ganho estático. Como as medidas de composição frequentemente possuem atrasos e dados esparsos, os sistemas de controle convencionais não são capazes de controlar a composição diretamente e possuem dificuldade em manter os produtos dentro das especificações. Contudo, controladores baseados em modelo possuem a habilidade de prever a composição através do modelo interno do processo, além de serem capazes de lidar com restrições. Na literatura, nenhuma aplicação do modelo de Hammerstein modificado para coluna de destilação ou para sistemas multivariáveis foi encontrada, sendo esta uma novidade. Desta forma, foram estudadas três estratégias de controle: controle PID tradicional, NMPC com modelo de Hammerstein modificado (H-NMPC) e NMPC com modelo por Redes Neurais (NN-NMPC). O sistema estudado foi identificado de forma a se obter valores numéricos adequados aos parâmetros dos modelos. A identificação dos parâmetros dos modelos e os algoritmos de NMPC foram implementados no ambiente MATLAB. A coluna de destilação foi simulada usando o Aspen Plus Dynamics. Como resultado, o H-NMPC teve o melhor desempenho de controle ao rastrear diferentes trajetórias de referência, a desacoplar as variáveis controladas e a rejeitar os distúrbios. Além disso, esta apresentou maior rapidez computacional comparado com a estratégia NNNMPC. / [en] This work aims to study strategies of Nonlinear Model Predictive Control (NMPC) applied to a simulated depropanizer distillation column. These columns are used in natural gas processing units (NGPUs) for the separation of the product propane from butane. Distillation columns have particularly challenging features from the control point of view, such as: nonlinearities, large time constants, delay, variable constraints and static gain signal inversion. Because compositional measures often have delays and sparse data, conventional control systems are not able to control composition directly and have difficulty keeping products within specifications. However, model-based controllers predict composition through the internal process model, besides being able to handle constraints. In the literature, no applications of the modified Hammerstein model for distillation column or multivariable systems was found, so this is a novelty. Therefore, three control strategies were studied: traditional PID control, NMPC with modified Hammerstein model (H-NMPC) and NMPC with neural network model (NN-NMPC). The studied system was identified in order to obtain adequate numerical values of the model parameters. The model identification and the NMPC algorithms were implemented in the MATLAB environment. The distillation column was simulated using Aspen Plus Dynamics. As a result, the H-NMPC provided better control performance for different setpoint tracking, control variables decoupling, and disturbance rejection. Furthermore, it presented faster computational speed compared to NN-NMPC.

[pt] Na última década, os robôs móveis com pernas ganharam notoriedade por sua capacidade de se movimentar com segurança em terrenos acidentados e superar obstáculos, como declives e escadas, podendo ser utilizados em mais aplicações em comparação com os robôs móveis com rodas. Novos desenvolvimentos que melhorem a robustez do planejamento de trajetória e o controle dinâmico de robôs com pernas são cruciais para o avanço desse campo. O objetivo deste trabalho é desenvolver um framework baseado em C++ e ROS Noetic que integre otimização de trajetória off-line para robôs com pernas com Model Predictive Control (MPC) on-line, considerando o mapa de elevação do terreno. A otimização de trajetória é baseada na biblioteca de código aberto TOWR (Trajectory Optimization for Walking Robots), que emprega uma função contínua para representar o mapa do terreno. Para tornála mais genérica, foi implementada uma interface que permite que mapas de elevação 2,5D sejam usados como representação do terreno. Além disso, as trajetórias geradas pelo TOWR são fornecidas como referências para um controlador MPC baseado na biblioteca de código aberto OCS2. As trajetórias otimizadas pelo MPC são então rastreadas por um Whole-Body Controller (WBC), que calcula os torques de atuação das juntas do robô. A estrutura é validada em simulações usando a dinâmica completa do robô, com diferentes tipos de terreno e sob perturbação externa. / [en] In the last decade, legged mobile robots have gained notoriety for their ability to move safely over rough terrain and overcome obstacles such as slopes and stairs, opening up new applications compared to wheeled mobile robots. New developments that improve the robustness of trajectory planning and dynamic control of legged robots are crucial for the advancement of this field. The aim of this work is to develop a framework based in C++ and ROS Noetic that integrates offline trajectory optimization for legged robots with online Model Predictive Control (MPC) while taking into account the elevation map of the terrain. The trajectory optimization is based on the open-source library TOWR (Trajectory Optimization for Walking Robots), which employs a continuous function to represent the map of the terrain. To make it more generic, an interface was implemented to allow 2.5D elevation maps to be used as terrain representation. Furthermore, the trajectories generated by TOWR are provided as references for a MPC implemented based on the open-source library OCS2. The trajectories optimized by the MPC are then tracked by a weighted Whole-Body Controller (WBC), which computes the actuation torques for the robot s joints. The framework is validated in simulations using the full dynamics of the robot, with different terrain types and under external disturbance.