[pt] Ambientes industriais, especialmente no setor de petróleo e gás, apresentam desafios únicos para técnicas de identificação de sistemas. Apesar dos avanços, ainda existe uma lacuna em nossa compreensão da integração de algoritmos black box, abordagens grey box e aprendizado de máquina para simulação de dados reais. Com o objetivo de otimizar a compreensão e previsão em ambientes industriais complexos, foram explorados a simulação de dados do mundo real na produção de petróleo e análise da velocidade de perfuração. Este estudo propõe uma análise da integração de algoritmos black box, abordagens grey box e aprendizado de máquina na simulação de dados reais, com ênfase na produção de petróleo e o estudo da interação broca rocha no processo de perfuração de poços de petróleo. Neste trabalho foram empregados técnicas de aprendizado de máquina, como redes neurais e métodos clássicos de identificação de sistemas, como modelos lineares como ARX (AutoRegressive with eXogenous inputs) e não lineares como o NARX (Nonlinear AutoRegressive with eXogenous inputs), para capturar os comportamentos dinâmicos dos processos em estudo utilizando dados reais da produção de petróleo e de perfuração, levando em consideração as características específicas e desafios operacionais desses ambientes. Com base nos resultados obtidos, as técnicas utilizadas demonstraram viabilidade de aplicação, na qual a utilização desses modelos híbridos, que combinam conhecimentos físicos com abordagens de múltiplos modelos formados por algoritmos de identificação de sistemas e aprendizado de máquina, demonstrou potencial para aprimorar as simulações. Esses resultados ressaltam a eficácia desses métodos, indicando que pesquisas futuras podem se dedicar à implementação dessa técnica na identificação de sistemas complexos. / [en] Industrial environments, especially in the oil and gas sector, presentunique challenges for system identification techniques. Despite advancements,there still exists a gap in our understanding of integrating black box algorithms,grey box approaches, and machine learning for simulating real-world data.With the aim of optimizing understanding and prediction in complex industrialenvironments, real-world data simulation in oil production and drilling speedanalysis was explored. This study proposes an analysis of the integration ofblack box algorithms, grey box approaches, and machine learning in simulatingreal-world data, with an emphasis on oil production and the study of the drill-rock interaction in the oil well drilling process. In this work, machine learningtechniques such as neural networks and classical system identification methods,such as linear models like ARX (AutoRegressive with eXogenous inputs) andnonlinear ones like NARX (Nonlinear AutoRegressive with eXogenous inputs),were employed to capture the dynamic behaviors of the processes understudy. Additionally, real data from oil production and drilling were utilized,considering the specific characteristics and operational challenges of theseenvironments. Based on the results obtained, the techniques used demonstratedapplicability and yielded satisfactory outcomes. Specifically, the use of hybridmodels, combining physical knowledge with multiple model approaches formedby system identification algorithms and machine learning, showed potentialfor enhancing simulation. These findings underscore the effectiveness of thesemethods, suggesting that future research could focus on implementing thistechnique in identifying complex systems.

[pt] Análise modal consiste na caracterização de um sistema através dos seus parâmetros modais. Quando a principal excitação é causada pelo ambiente em que o sistema está inserido, essa caracterização é definida como análise modal operacional (OMA). Nestes casos, os forçamentos não são conhecidos (mensuráveis) e apenas as respostas são monitoradas. Por terem natureza aleatória, esses sinais precisam ser incorporados ao modelo numérico através de processos estocásticos. O principal objetivo desta dissertação consiste em descrever as técnicas de identificação em OMA. Para isso, duas vertentes foram criadas, uma teórica e outra experimental. Na parte teórica, as hipóteses necessárias para a identificação de um sistema por OMA são apresentadas. Uma análise dos erros causados por sinais ruidosos também é feita, permitindo que a sensibilidade dos métodos seja avaliada. Além de contemplar os principais métodos de identificação, dois novos métodos são propostos. Ambos foram desenvolvidos a partir da Decomposição Ortogonal Própria (POD) e combinam uma eficiência computacional com a possibilidade de quantificar as incertezas dos parâmetros. Na vertente experimental, o objetivo é ilustrar e validar a identificação de estruturas. Para isso, três diferentes bancadas foram criadas: um prédio de dois andares, uma pá eólica e uma ponte suspensa. Após a construção, essas estruturas foram devidamente instrumentadas por diferentes sensores. Um sistema de aquisição dados foi montado através de hardwares comerciais e analisados através de uma interfase gráfica desenvolvida especialmente para OMA pelo Laboratório de Vibrações. / [en] Modal analysis consists in the characterization of a system through its modal parameters. When the main excitation source is the system s environment, this characterization is defined as operational modal analysis (OMA). On those cases, the forces are unknown (not measured) and only the responses are monitored. Because of there random nature, those signals are incorporated into the numerical model as stochastic processes. The main goal of this dissertation is to describe the identification techniques in OMA. Therefore, two different approaches were created: a theoretical one and an experimental one. In the theoretical part, the required hypotheses for system s identification with OMA are presented. An analysis of the errors caused by noisy signals are also performed, allowing the method s sensibility to be evaluated. Besides the standard identification methods, two new ones are proposed. They both has been developed as extension of the Proper Orthogonal Decomposition (POD) and combine an efficient computational process with the possibility of quantify the parameters uncertainties. In the experimental approach, the goal is to illustrate and validate the identification of structures. Therefore, three different test bench were created: a two floor building, a wind turbine blade and a cable-stayed bridge. After their construction, those structures were proper instrumented with different sensors. A data acquisition system were built using commercial hardwares and analyzed through a graphic interface specially made for OMA and developed in the vibration laboratory.

[pt] Existe uma crescente demanda por modelos dinâmicos precisos, parte impulsionada pelo paradigma da indústria 4.0 que introduz, dentre outros, o conceito de gêmeo digital no qual modelos dinâmicos possuem um papel importante. Idealmente, um modelo dinâmico apresenta um compromisso entre complexidade e precisão, enquanto proporciona informações sobre a física do sistema. Para melhorar a precisão de um modelo mantendo a interpretabilidade, a abordagem usual é modelar matematicamente todas não-linearidades, o que leva a um modelo muito complexo. Outra abordagem envolve identificação caixa-preta, uma abordagem onde um modelo matemático é ajustado para descrever a relação de entrada e saída do sistema, a qual pode fornecer um modelo preciso, porém não interpretável. Os avanços na capacidade de processamento computacional permitiram o florescimento da area de aprendizado de máquinas, a qual tem mostrado resultados interessantes em diferentes campos do conhecimento. Uma dessas aplicações é em identificação caixa-preta, onde o aprendizado de máquinas tem sido empregado com sucesso na modelagem de sistemas não-lineares, o que tem inspirado pesquisas sobre o tema. Apesar dos modelos baseados em aprendizado de máquina apresentarem elevada precisão, o que é suficiente para diversas aplicações, eles não são interpretáveis. Dessa forma, visando obter modelos que possuem ambas as características de precisão e interpretabilidade, enquanto mantém um compromisso com a complexidade, esta tese propõe uma metodologia de identificação híbrida que combina um modelo fenomenológico caixa cinza com um modelo caixa preta baseado em redes neurais artificiais. A metodologia proposta é aplicada em três casos de estudo de sistemas não lineares com dados experimentais, a saber, a dinâmica vertical de um veículo, um atuador com junta flexível baseado em elastômero e um sistema de posicionamento eletromecânico. Os resultados mostram que o modelo híbrido proposto é até 60 por cento mais preciso enquanto proporciona a interpretabilidade física do sistema, sem aumentar significativamente a complexidade do modelo. / [en] There is a growing demand for accurate dynamic models, driven by the Industry 4.0 paradigm that introduces, among others, the concept of the digital twin in which dynamic models play an important role. Ideally, a dynamic model presents a compromise between complexity and accuracy, while providing physical insight into the system. To improve a model accuracy while keeping interpretability, the usual approach is to mathematically model all the nonlinearities, which ultimately leads to an overcomplex model. Another approach involves a black-box identification, a data-driven approach where a mathematical model is adjusted to describe the system s input-output relation, which may provide an accurate model, but it does not provide interpretability. The developments in computational processing capacity have allowed the flourishing of the field of machine learning, which has shown interesting results in different fields of knowledge. One of these applications is black-box identification, where machine learning has successfully been employed in the modeling of nonlinear systems, which has inspired research on the topic. Even though the machine-learning-based models present enhanced accuracy, which for several applications is sufficient, they do not provide interpretability. Aiming at providing both accuracy and interpretability while keeping a compromise with model complexity, this work proposes a hybrid identification methodology that combines a gray-box phenomenological model with a black-box model based on artificial neural networks. The proposed methodology is applied in three case studies of nonlinear systems with experimental data, namely, the vertical dynamics of a vehicle, an elastomer-based series elastic actuator, and an electromechanical positioning system. The results show that the proposed hybrid model is up to 60 percent more accurate while providing the physical interpretability of the system, without significantly increasing the complexity of the model.

[pt] O monitoramento de integridade estrutural tem sido o foco de desenvolvimentos recentes no campo da avaliação baseada em vibração e, mais recentemente, no escopo da internet das coisas à medida que medição e computação se tornam distribuídas. Os dados se tornaram abundantes, embora a transmissão nem sempre seja viável em frequências mais altas especialmente em aplicações remotas. Portanto, é importante conceber fluxos de trabalho de modelo orientados por dados que garantam a melhor relação entre a precisão do modelo para avaliação de condição e os recursos computacionais necessários para soluções incorporadas, tópico que não tem sido amplamente utilizado no contexto de medições baseadas em vibração. Neste contexto, a presente pesquisa propõe abordagens para duas aplicações: na primeira foi proposto um fluxo de trabalho de modelagem capaz de reduzir a dimensão dos parâmetros de modelos autorregressivos usando análise de componentes principais e classificar esses dados usando algumas técnicas de aprendizado de máquina como regressão logística, máquina de vetor de suporte, árvores de decisão, k-vizinhos próximos e floresta aleatória. O exemplo do prédio de três andares foi usado para demonstrar a eficácia do método. No segundo caso, é utilizado um equipamento de teste composto por inércias rotativas onde a solução de monitoramento foi testada em uma plataforma baseada em GPU embarcada. Os modelos implementados para distinguir eficazmente os diferentes estados de atrito foram análise de componentes principais, deep autoencoders e redes neurais artificiais. Modelos rasos têm melhor desempenho em tempo de execução e precisão na detecção de condições de falha. / [en] Structural health monitoring has been the focus of recent developments in vibration-based assessment and, more recently, in the scope of the internet of things as measurement and computation become distributed. Data has become abundant even though the transmission is not always feasible, especially in remote applications. It is thus essential to devise data-driven model workflows that ensure the best compromise between model accuracy for condition assessment and the computational resources needed for embedded solutions. This topic has not been widely used in the context of vibration-based measurements. In this context, the present research proposes two approaches for two applications, a static and a rotating one. In case one, a modeling workflow capable of reducing the dimension of autoregressive model features using principal component analysis and classifying this data using some of the main machine learning techniques such as logistic regression, support vector machines, decision tree classifier, k-nearest neighborhood and random forest classifier was proposed. The three-story building example was used to demonstrate the method s effectiveness, together with ways to assess the best compromise between accuracy and model size. In case two, a test rig composed of rotating inertias and slender connecting rods is used, and the monitoring solution was tested in an embedded GPU-based platform. The models implemented to effectively distinguish between different friction states were principal component analysis, deep autoencoder and artificial neural networks. Shallow models perform better concerning running time and accuracy in detecting faulty conditions.

[pt] No contexto de robos colaborativos, há um crescente interesse em Atuadores Elásticos em Série impulsionado pela necessidade de garantir segurança e funcionalidade. No entanto, as não linearidades inerentes a esses atuadores, como atrito, folga nas engrenagens e ruído, aumentam significativamente o desafio de controlar e modelar tais dispositivos. Além disso, um elemento elástico adiciona uma nova não linearidade. Visando essas características, este trabalho propõe um extenso trabalho de identificação do sistema para obter um modelo para um atuador elástico em série baseado em elastômero de baixo custo e original. As metodologias propostas investigam diferentes características do sistema. A primeira se concentra em modelar as não linearidades da junta elástica por meio de um modelo híbrido. A segunda contribuição visa examinar a precisão de redes neurais informadas por física para identificação de caixa cinza de parâmetros de atrito. Por último, é proposto uma metodologia para obter os estados da montagem usando vídeo. A partir dessas estimativas, é proposta uma identificação de caixa cinza usando vídeo. Todos os três estudos utilizam os dados da montagem do atuador. As duas primeiras contribuições obtiveram resultados importantes indicando a eficiência das metodologias propostas. A terceira contribuição mostrou o potencial da nova abordagem de identificação baseada em vídeo. / [en] In the context of human interactive robotics, there is a growing interest in Series Elastic Actuators (SEA), driven by the critical need to ensure safety and functionality. Moreover, a precise model is required to obtain optimal control. However, the inherent nonlinearities of those actuators, such as friction, gear backlash, and noise, greatly increase the challenge of controlling and modeling such devices. Furthermore, a compliant element adds a new nonlinearity, making the modeling task more challenging. Aiming to tackle these issues, this work proposes extensive system identification to obtain mathematical models characterizing the dynamics of an original low-cost elastomer-based SEA. The proposed methodologies investigate different characteristics of the system. The first focuses on modeling the elastic joint s nonlinearities through a hybrid model. The second contribution aims to examine the accuracy of physics-informed neural networks for gray-box identification of friction parameters. Lastly, a framework to obtain the states of the assembly using video is proposed. From these estimations, a gray-box identification using video is proposed. All three studies use the data from the actuator assembly. The first two contributions obtained important results indicating the efficiency of the proposed methodologies. The third contribution showed the potential of the novel video-based identification approach.

[pt] Através das técnicas utilizadas em Identificação de Sistemas é possível obter um modelo matemático para um sistema dinâmico somente a partir de dados medidos de suas entradas e saídas. Por possuírem comportamento naturalmente dinâmico e um procedimento de treinamento simples e rápido, o uso de redes neurais do tipo Echo State Networks (ESNs) é vantajoso nesta área. Entretanto, as ESNs possuem hiperparâmetros que devem ser ajustados para que obtenham um bom desempenho em uma dada tarefa, além do fato de que a inicialização aleatória de pesos da camada interna destas redes (reservatório) nem sempre ser a ideal em termos de desempenho. Por teoricamente conseguirem obter boas soluções com poucas avaliações, o AEIQ-R (Algoritmo Evolutivo com Inspiração Quântica e Representação Real) e a estratégia evolucionária com adaptação da matriz de covariâncias (CMA-ES) representam alternativas de algoritmos evolutivos que permitem lidar de maneira eficiente com a otimização de hiperparâmetros e/ou pesos desta rede. Sendo assim, este trabalho propõe um modelo neuroevolucionário que define automaticamente uma ESN para aplicações de Identificação de Sistemas. O modelo inicialmente foca na otimização dos hiperparâmetros da ESN utilizando o AEIQ-R ou o CMA-ES, e, num segundo momento, seleciona o reservatório mais adequado para esta rede, o que pode ser feito através de uma segunda otimização focada no ajuste de alguns pesos do reservatório ou por uma escolha simples baseando-se em redes com reservatórios aleatórios. O método proposto foi aplicado a 9 problemas benchmark da área de Identificação de Sistemas, apresentando bons resultados quando comparados com modelos tradicionais. / [en] Through System Identification techniques is possible to obtain a mathematical model for a dynamic system from its input/output data. Due to their intrinsic dynamic behavior and simple and fast training procedure, the use of Echo State Networks, which are a kind of neural networks, for System Identification is advantageous. However, ESNs have global parameters that should be tuned in order to improve their performance in a determined task. Besides, a random reservoir may not be ideal in terms of performance. Due to their theoretical ability of obtaining good solutions with few evaluations, the Real Coded Quantum-Inspired Evolutionary Algorithm (QIEA-R) and the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) represent efficient alternatives of evolutionary algorithms for optimizing ESN global parameters and/or weights. Thus, this work proposes a neuro-evolutionary method that automatically defines an ESN for System Identification problems. The method initially focuses in finding the best ESN global parameters by using the QIEA-R or the CMA-ES, then, in a second moment, in selecting its best reservoir, which can be done by a second optimization focused on some reservoir weights or by doing a simple choice based on networks with random reservoirs. The method was applied to 9 benchmark problems in System Identification, showing good results when compared to traditional methods.

[pt] Neste trabalho, quatro métodos projetados especificamente para a estimação de sistemas esparsos são originalmente elaborados e apresentados. São eles: Encolhimentos Sucessivos, Expansões Sucessivas, Minimização da Norma l1 e Ajuste Automático do fator de regularização do Custo LS. Os quatro métodos propostos baseiam-se na técnica de estimação de sistemas lineares e invariantes no tempo pelo critério dos mínimos quadrados, universalmente conhecida por sua denominação em inglês - Least Squares (LS) Estimation, e incorporam técnicas relacionadas a otimização convexa e à teoria de compressive sensing. Os resultados obtidos em simulações mostram que os métodos em questão têm desempenho superior que a estimação LS convencional e que o algoritmo Recursive Least Squares (RLS) com regularização convexa denominado l1-RLS, em muitos casos alcançando o desempenho ótimo apresentado pelo método de estimação LS Oráculo, no qual o suporte da resposta ao impulso em tempo discreto do sistema estimado é conhecido a priori. Além disso, os métodos propostos apresentam custo computacional menor que do algoritmo l1-RLS. / [en] In this thesis, four methods specifically designed for sparse systems estimation are originally developed and presented, which were called here: Relaxations method, Successive Expansions method, l1-norm Minimization method and Automatic Adjustment of the Regularization Factor method. The four proposed methods are based on the Least Squares (LS) Estimation method and incorporate techniques related to convex optimization and to the theory of compressive sensing. The simulation results show that the proposed methods herein present superior performance than the ordinary LS estimation method and the Recursive Least Squares (RLS) with convex regularization method (l1-RLS), in many cases achieving the same optimal performance presented by the LS Oracle method. Furthermore, the proposed methods demand lower computational cost than the l1-RLS method.

[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] A abstração matemática de um processo físico é essencial em problemas de engenharia, pois muitas vezes pode ser impraticável ou impossível realizar experimentos no sistema real. Além disso, modelos matemáticos são mais flexíveis que protótipos físicos, permitindo um rápido refinamento dos projetos do sistema para otimizar várias medidas de desempenho. As aplicações dos modelos podem ser divididas em quatro partes, a saber: projeto, estimativa, controle e monitoramento. Algumas aplicações específicas são i) simulações, ii) soft sensors, iii) avaliação de desempenho, iv) controle estatístico de qualidade e v) detecção e diagnóstico de falhas. Este trabalho visa então: i) desenvolver diferentes classes de modelos capazes de simular com precisão a variável de saída de um sistema, ii) avaliar a eficiência dos algoritmos de otimização utilizados na tarefa de estimação de parâmetros, iii) avaliar qual modelo de atrito é o mais adequado para descrever esse fenômeno em um sistema de posicionamento. Os resultados mostraram que o atrito no sistema de posicionamento apresenta comportamento não linear e assimétrico, já que alguns termos dos modelos de atrito relacionados às velocidades positiva e negativa são significativamente diferentes um do outro. O resultado final do processo de otimização que usou um algoritmo de busca local foi altamente dependente das condições iniciais e do número de parâmetros estimados, o que elevou o erro de simulação. Entretanto, melhores estimativas da variável de saída foram alcançadas quando essa abordagem foi combinada com outros modelos de diferentes classes. Através dessa última abordagem o erro relativo foi reduzido em mais de 20 porcento. As simulações realizadas com os parâmetros estimados pelos algoritmos evolucionários foram mais acuradas, eles foram capazes de reduzir o erro relativo em quase 30 porcento quando comparados com o algoritmo de busca local. Considerando o segundo estudo de caso, o otimizador baseado em árvores de decisão se mostrou igualmente eficaz se comparado aos algoritmos evolucionários. O erro relativo das simulações usando os parâmetros estimados por esses algoritmos foi inferior a 8 porcento. Além disso, a forma do atrito reconstruído na segunda junta do manipulador robótico através dos parâmetros estimados pelos algoritmos está de acordo com o esperado. / [en] The mathematical abstraction of a physical process is essential in engineering problems, as it can often be impractical or impossible to perform experiments on the real system. Besides, mathematical models are more flexible than physical prototypes, allowing for quick refinement of system designs to optimize various performance measures. The applications of the models can be divided into four parts, namely: design, estimation, control and monitoring. Some specific applications are i) simulations, ii) soft sensors, iii) performance evaluation, iv) statistical quality control and, v) fault detection and diagnosis. This work aims to: i) develop different classes of models capable of accurately simulating the output variable of a system, ii) evaluate the efficiency of optimization algorithms used in the parameter estimation task, iii) assess which friction model is the most appropriate to describe this phenomenon in a positioning system. The results showed that the friction in the positioning system presents a nonlinear and asymmetric behavior since some terms of the friction models related to the positive and negative velocities are significantly different from each other. The final result of the optimization process that used a local search algorithm was highly dependent on the initial conditions and the number of estimated parameters, which increased the simulation error. However, better estimates of the output variable were achieved when this approach was combined with other models of different classes. Through this last approach, the relative error was reduced by more than 20 percent. The simulations performed with the parameters estimated by the evolutionary algorithms were more accurate, they were able to reduce the relative error by almost 30 percent when compared with the local search algorithm. Considering the second case study, the decision tree-based optimizer proved to be equally effective compared to evolutionary algorithms. The relative error of the simulations using the parameters estimated by these algorithms was less than 8 percent. Besides, the shape of the friction reconstructed in the second joint of the robotic manipulator through the parameters estimated by the algorithms is in accordance with the expected.