Este trabalho é motivado pelos recentes avanços no projeto de controladores adaptativos robustos por modelo de referência bem como no tratamento de processos que apresentam na sua estrutura dinâmica não modelada, onde se admite somente a possibilidade de medidas de entrada e saída do processo. Inicialmente, para formalizar o problema, um algoritmo adaptativo robusto por modelo de referência (RMRAC), de significativa relevância, é analisado. Na seqüência outros três algoritmos adaptativos robustos, que relaxam importantes hipóteses sobre parâmetros e dinâmica não modelada, são resumidamente apresentados. A seguir, propõe-se algumas modificações em algoritmos já existentes com o objetivo de relaxar algumas hipóteses mais restritivas. É desenvolvido um controle adaptativo robusto - RMRAC com conhecimento reduzido da dinâmica não modelada e sem o conhecimento prévio do ganho do processo em altas freqüências. Isto é obtido relaxando-se simultaneamente as hipóteses da necessidade de se conhecer um limite inferior para a margem de estabilidade da dinâmica não modelada, e o sinal do ganho do processo em altas freqüências. Entretanto, embora duas hipóteses restritivas importantes tenham sido relaxadas, este algoritmo requer o conhecimento inferior para a magnitude do ganho do processo. Com o intuito de se eliminar esta restrição na magnitude do ganho, um novo algoritmo adaptativo robusto-RMRAC é proposto, não necessitando do conhecimento prévio de um limite inferior para a magnitude do ganho do processo, e nem o conhecimento do sinal do mesmo em altas freqüências. O esquema é desenvolvido para processos cuja parte modelada é de grau n*, mas que devido à dinâmica não modelada pode ser de ordem e grau relativo quaisquer. Diferentemente dos algoritmos anteriores que relaxam a hipótese do conhecimento do sinal do ganho em altas freqüências, este algoritmo emprega um mecanismo de chaveamento diretamente na lei de controle. Isto permite relaxar simultaneamente as hipóteses sobre o sinal e magnitude do ganho do processo. Não obstante os resultados obtidos, é desejável relaxar as hipóteses restritivas mencionadas anteriormente, em um único algoritmo. Com este objetivo, propõe-se um novo algoritmo de controle adaptativo por modelo de referência com reduzido conhecimento sobre incertezas estruturadas e não estruturadas, que é o robusto para uma classe dinâmica não modelada e para distúrbios limitados na saída do processo. O esquema desenvolvido relaxa concomitantemente as hipóteses do conhecimento de uma margem de estabilidade para a dinâmica não modelada e do conhecimento de um limite superior para a norma dos parâmetros do controlador. O mecanismo de chaveamento do algoritmo anterior é também investigado visando a possibilidade de relaxamento das hipóteses do conhecimento do sinal do ganho em altas freqüências e de um limite inferior para a magnitude do ganho do processo. A análise da robustez é desenvolvida de maneira similar aos algoritmos anteriores. Algumas simulações ilustram a robustez, desempenho e as características do algoritmo RMRAC em diversas situações de operação.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Florianópolis, 1992. / Made available in DSpace on 2013-12-05T20:12:03Z (GMT). No. of bitstreams: 1 89109.pdf: 4959935 bytes, checksum: 319abc2494f427cad6bccf37f0047ad1 (MD5) Previous issue date: 1992 / A utilização das técnicas de controle adaptativo, no meio industrial, vem ocorrendo lentamente, em parte devido à falta de confiabilidade nos estudos de avaliação de desempenho realizados até o presente momento. O tema "avaliação de desempenho", no contexto do controle adaptativo, apresenta-se bastante mal explorado, consistindo em uma lacuna aberta a investigações. O presente trabalho busca contribuir para solução deste problema, através da implementação de um amabiente de simulação especialmente voltado a avaliação de desempenho de controladores adaptativos monovariáveis. Pretende-se realizar avaliações voltadas à realidade prática, mas de uma forma sistemática e quantitativa. O ambiente implementado permite reproduzir o comportamento de sistemas reais como o ruído, as perturbações, a atuação de conversores, a variação em parâmetros da planta, etc. As simulações podem ser realizadas, no ambiente SADECA, através de seqüências pré-programadas de eventos ao final das quais são gerados relatórios contendo índices de desempenho. O ambiente implementado constitui uma importante ferramenta, também, no desenvolvimento de estratégias de controle adaptativo, permitindo a programação de novos controladres. Sua excelente interface gráfica torna a interação com o usuário bastante agradável e poderosa. Os resultados obtidos no aperfeiçoamento e avaliação de desempenho de um controlador adaptativo baseado em reconhecimento de formas, comprovam a importância de simulação.

Dissertação (Mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. / Made available in DSpace on 2012-10-18T21:41:16Z (GMT). No. of bitstreams: 0Bitstream added on 2016-01-09T02:53:27Z : No. of bitstreams: 1 161175.pdf: 3140804 bytes, checksum: d8d8e37768083dcff6dd23253e3724da (MD5) / Este trabalho trata de aplicação de técnicas de controle adaptativo auto-ajustável a síntese de estabilizadores de sistemas de potência. O método de controle proposto é do tipo indireto, sendo que o processo é dividido em duas etapas: identificação e controle. Para a estimação dos parâmetros é utilizado o algoritmo dos mínimos quadrados recursivo, e uma variante deste método, o método dos mínimos quadrados recursivo estendido, o qual pretende melhorar o desempenho do método original em aplicações a sistemas de potência. O método de controle investigado é o posicionamento de pólos, completo e parcial. No posicionamento completo posiciona-se os pólos de malha fechada em posições previamente especificadas. Neste caso, os pólos de malha aberta são deslocados radiamente em direção ao centro do círculo unitário, por um fator de redução constante. No posicionamento parcial, reposiciona-se somente os pólos com fator de amortecimento indesejável, mantendo os demais em suas posições originais. O algoritmo de auto-procura do fator de redução é estudado. A cada iteração um novo valor para este fator é calculado baseado na condição de operação do sistema. é proposta a extensão deste método para a aplicação em posicionamento parcial de pólos. Os estabilizadores de sistemas de potência adaptativos são implementa-los em dois sistemas multimáquinas. Os parâmetros de projeto envolvidos em cada método de controle são analisados, juntamente com os do estimador, dado que estes devem atuar em conjunto. Os resultados de simulação apresentados mostram o bom desempenho conseguido pelos estabilizadores propostos.

Dissertação (Mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. / Made available in DSpace on 2012-10-18T22:24:35Z (GMT). No. of bitstreams: 0Bitstream added on 2016-01-09T03:21:34Z : No. of bitstreams: 1 141989.pdf: 8119980 bytes, checksum: fe618e0bd91efbc91428189c35cf367f (MD5)

Neste trabalho procura se contornar a necessidade, nos algoritmos de controle adaptivo, de se conhecer a priori, a ordem (ou parâmetros estruturais) do sistema a ser controlado. Para tanto, é necessário dispor se de algum método mais apropriado para o modelo. Supondo se sistemas descritos por modelos ARX, a estratégia adotada neste trabalho consiste em se identificar, a cada passo, vários modelos com ordens diferentes e a seguir estimar o modelo mais apropriado, com base no qual, o controle adaptivo será gerado. Três critérios para a estimação de ordem são considerados: o critério PLS e modificações dos critérios Dayesiano e do Akaike. Esses critérios, por dependerem do somatório do erro quadrático de predição, são apropriados pelas aplicações em tempo real utilizando identificação paramétrica via Minimização do erro quadrático. Empregando se modelos ARX convencionais, tem se que manter tantos algoritmos de identificação recursiva por mínimos quadrados em paralelo quantas sejam as ordens pesquisadas, o que não é eficiente computacionalmente. Daí a sugestão, como alternativa, de se identificar os modelos na forma lattice, que fornece em só algoritmo de identificação os erros de predição para os modelos da ordem 1 até ordem Dmax. Apresenta se tal algoritmo no corpo do trabalho, bem como sua utilização no contexto de modelos ARX.Emprega se a forma lattice surge uma dificuldade no cálculo dos sinais de controle, já que as leis de controle discreto usuais são apresentadas na literatura em pregando se modelos convencionais. Uma das possibilidades que este trabalho apresenta é fazer se o mapeamento dos parâmetros lattice para os parâmetros convencionais, o que perde um pouco de eficiência computacional. A outra é deduzir se estratégias de controle diretamente para a forma lattice, o que é feito neste trabalho para o controle de mínima variância. São apresentadas resultados do emprego do algoritmo convencional e do algoritmo lattice (puro e com mapeamento) em conjunto com os três critérios de estimação de ordem citados, tanto em simulação quanto em sistemas reais.

Este trabalho faz um estudo de dois métodos possíveis para redução de derrapagem que aparece devido às manobras de rolamento rápido. Esta derrapagem é indesejável tratando-se de aviões de ataque ou caça, pois não havendo a mesma, facilita-se muito o projeto do sistema de pontaria. Nos dois sistemas de controle propostos são utilizados os parâmetros nominais ou os identificados através dos mínimos quadrados recursivo. Um dos sistemas é projetado utilizando a teoria do regulador linear ótimo baseando-se no modelo de referência explícito. O outro é baseado nas equações latero direcionais não linearizadas e definindo-se uma manobra de rolamento rápido ideal. Ambos os sistemas foram testados com simulações juntamente com o modelo completo do avião para avaliação da eficiência de cada um.

Neste trabalho é realizado um estudo sobre controladores adaptativos aplicados a manipuladores robóticos, dando ênfase à infuência dos seus parâmetros de projeto sobre o desempenho do sistema de controle e aos benefícios propiciados pela utilização desses controladores. Primeiramente é efetuado um resumo sobre as principais estratégias de controle adaptativo para manipuladores robóticos, ressaltando suas classificações e princípios básicos de funcionamento. Posteriormente, são projetados um Controlador Adaptativo Auto-Sintonizável (Self-Tuning) e um Controlador Adaptativo por Modelo de Referência (MRAC). Os desempenhos destes controladores são comparados com um utilizando estratégia PID, com sintonia ótima, via simulações em um manipulador com três graus de liberdade realizando tarefas de rastreamento e Pick-and-Place sujeitas a variações abruptas de carga. As estratégias adaptativas também são comparadas entre si, no que se refere, por exemplo, à facilidade para se especificar os parâmetros de projeto e à carga computacional requerida.

Inicialmente concebidos para operar em ambientes industriais fechados, os robôs vem se tornando cada vez mais difundidos na sociedade. Suas atribuições não se limitam mais exclusivamente a execução de simples tarefas de repetição, mas a uma interação efetiva com o mundo em que se inserem. Para atingir tal objetivo, estes robôs devem possuir um controlador flexível, capaz de adaptar-se continuamente ao mundo dinâmico que o cerca. A maioria das soluções para o posicionamento de um braço, manipulador funcionam através do mapeamento de posições/orientações espaciais e de configurações das juntas do braço. Uma vez que a função cinemática direta não possui inverso global, diversas restrições devem ser adicionadas ao sistema de modo a diminuir a quantidade de soluções possíveis. Este tipo de controlador não e flexível, uma vez que qualquer modificação no estado do sistema pode tornar o controlador Este fato obriga a introdução de novos paradigmas na programação de robôs. Redes neurais possuem a capacidade de solucionar problemas não-lineares que, de outra forma, tornam-se muito difíceis de tratar matematicamente. Devido a natureza altamente não-linear do controle de um braço manipulador articulado, seja da parte cinemática ou dinâmica do processo, redes neurais vem sendo utilizadas sistematicamente na definição de sistemas de controle robóticos. Porem, apesar da grande versatilidade das redes neurais, estas tem sido, em grande parte, utilizadas apenas como sistemas de mapeamento não-linear. Tanto nos problemas cinemáticos quanto dinâmicos, existe um processo de treinamento onde a rede armazena diversos estados possíveis para o sistema e, após este processo, busca as soluções previamente armazenadas na rede. Contudo, esta abordagem não e a mais adequada para sistemas abertos, ou seja, sistemas que não são completamente conhecidos e que podem sofrer transformações no decorrer do seu funcionamento. Este fato leva a que soluções armazenadas para uma determinada configuração do sistema não funcionem para outras configurações. Este trabalho apresenta uma estratégia de controle neural adaptativo para o posicionamento de um braço de robô no espaço. Diferentemente das abordagens tradicionais, não existe um processo de treinamento da rede, mas sim uma continua adaptação do bravo de modo a se aproximar da localização espacial (posição e orientação) desejada. Desta forma, qualquer que seja o estado corrente do ambiente no qual o sistema robótico esteja inserido, este e capaz de encontrar uma solução adaptativamente, sem as limitações impostas por configurações de braço previamente armazenadas. / Initially conceived to work inside closed industrial environments, robots are becoming part of our everyday lives. They are not demanded to execute repeated simple tasks anymore, but to interact with the world around them in an efficient and intelligent way. In order to achieve this goal, those robots must have a flexible controller, capable of adapting itself to a dynamic world. The majority of solutions to position a robot arm try to map a spatial position and orientation to a joint configuration. Since the forward kinematics function has no global inverse, several constraints must be added in order to prune the solution space, and the arm position will be restricted to the one previously mapped as the problem solution. This is not a flexible solution because any obstacle in the way will turn this approach useless. This fact obliges us to use new paradigms when programming robots, because known control techniques are, most of the time, no longer suitable. The problem of positioning a robot arm in the three-dimensional space has been studied for a long time. However, most solutions developed until now, despite the fact of providing great reliability and accuracy, lack the necessary flexibility to permit the arm to move in an open environment. Most problems to be solved by a robot arm in uncontrolled environments are mostly like the ones we solve in a daily basis, such as pick and place tasks. Those tasks don't necessarily need the accuracy provided by the known methods to positon an arm, but they do need the degree of adaptivity and flexibility that humans possess. In this thesis we will present a neural adaptive approach to solve the problem of positioning a robot arm in the space. This method works by incorporating the state of the system into the network. The network input is the current state of the system (the current arm position and orientation) and the outputs are the changes in the state variables (the joint values) in order to approximate the current state to the desired one. This is a closed-loop neural control scheme and it is done in real time without needing any previous training phase.

Inicialmente concebidos para operar em ambientes industriais fechados, os robôs vem se tornando cada vez mais difundidos na sociedade. Suas atribuições não se limitam mais exclusivamente a execução de simples tarefas de repetição, mas a uma interação efetiva com o mundo em que se inserem. Para atingir tal objetivo, estes robôs devem possuir um controlador flexível, capaz de adaptar-se continuamente ao mundo dinâmico que o cerca. A maioria das soluções para o posicionamento de um braço, manipulador funcionam através do mapeamento de posições/orientações espaciais e de configurações das juntas do braço. Uma vez que a função cinemática direta não possui inverso global, diversas restrições devem ser adicionadas ao sistema de modo a diminuir a quantidade de soluções possíveis. Este tipo de controlador não e flexível, uma vez que qualquer modificação no estado do sistema pode tornar o controlador Este fato obriga a introdução de novos paradigmas na programação de robôs. Redes neurais possuem a capacidade de solucionar problemas não-lineares que, de outra forma, tornam-se muito difíceis de tratar matematicamente. Devido a natureza altamente não-linear do controle de um braço manipulador articulado, seja da parte cinemática ou dinâmica do processo, redes neurais vem sendo utilizadas sistematicamente na definição de sistemas de controle robóticos. Porem, apesar da grande versatilidade das redes neurais, estas tem sido, em grande parte, utilizadas apenas como sistemas de mapeamento não-linear. Tanto nos problemas cinemáticos quanto dinâmicos, existe um processo de treinamento onde a rede armazena diversos estados possíveis para o sistema e, após este processo, busca as soluções previamente armazenadas na rede. Contudo, esta abordagem não e a mais adequada para sistemas abertos, ou seja, sistemas que não são completamente conhecidos e que podem sofrer transformações no decorrer do seu funcionamento. Este fato leva a que soluções armazenadas para uma determinada configuração do sistema não funcionem para outras configurações. Este trabalho apresenta uma estratégia de controle neural adaptativo para o posicionamento de um braço de robô no espaço. Diferentemente das abordagens tradicionais, não existe um processo de treinamento da rede, mas sim uma continua adaptação do bravo de modo a se aproximar da localização espacial (posição e orientação) desejada. Desta forma, qualquer que seja o estado corrente do ambiente no qual o sistema robótico esteja inserido, este e capaz de encontrar uma solução adaptativamente, sem as limitações impostas por configurações de braço previamente armazenadas. / Initially conceived to work inside closed industrial environments, robots are becoming part of our everyday lives. They are not demanded to execute repeated simple tasks anymore, but to interact with the world around them in an efficient and intelligent way. In order to achieve this goal, those robots must have a flexible controller, capable of adapting itself to a dynamic world. The majority of solutions to position a robot arm try to map a spatial position and orientation to a joint configuration. Since the forward kinematics function has no global inverse, several constraints must be added in order to prune the solution space, and the arm position will be restricted to the one previously mapped as the problem solution. This is not a flexible solution because any obstacle in the way will turn this approach useless. This fact obliges us to use new paradigms when programming robots, because known control techniques are, most of the time, no longer suitable. The problem of positioning a robot arm in the three-dimensional space has been studied for a long time. However, most solutions developed until now, despite the fact of providing great reliability and accuracy, lack the necessary flexibility to permit the arm to move in an open environment. Most problems to be solved by a robot arm in uncontrolled environments are mostly like the ones we solve in a daily basis, such as pick and place tasks. Those tasks don't necessarily need the accuracy provided by the known methods to positon an arm, but they do need the degree of adaptivity and flexibility that humans possess. In this thesis we will present a neural adaptive approach to solve the problem of positioning a robot arm in the space. This method works by incorporating the state of the system into the network. The network input is the current state of the system (the current arm position and orientation) and the outputs are the changes in the state variables (the joint values) in order to approximate the current state to the desired one. This is a closed-loop neural control scheme and it is done in real time without needing any previous training phase.

Inicialmente concebidos para operar em ambientes industriais fechados, os robôs vem se tornando cada vez mais difundidos na sociedade. Suas atribuições não se limitam mais exclusivamente a execução de simples tarefas de repetição, mas a uma interação efetiva com o mundo em que se inserem. Para atingir tal objetivo, estes robôs devem possuir um controlador flexível, capaz de adaptar-se continuamente ao mundo dinâmico que o cerca. A maioria das soluções para o posicionamento de um braço, manipulador funcionam através do mapeamento de posições/orientações espaciais e de configurações das juntas do braço. Uma vez que a função cinemática direta não possui inverso global, diversas restrições devem ser adicionadas ao sistema de modo a diminuir a quantidade de soluções possíveis. Este tipo de controlador não e flexível, uma vez que qualquer modificação no estado do sistema pode tornar o controlador Este fato obriga a introdução de novos paradigmas na programação de robôs. Redes neurais possuem a capacidade de solucionar problemas não-lineares que, de outra forma, tornam-se muito difíceis de tratar matematicamente. Devido a natureza altamente não-linear do controle de um braço manipulador articulado, seja da parte cinemática ou dinâmica do processo, redes neurais vem sendo utilizadas sistematicamente na definição de sistemas de controle robóticos. Porem, apesar da grande versatilidade das redes neurais, estas tem sido, em grande parte, utilizadas apenas como sistemas de mapeamento não-linear. Tanto nos problemas cinemáticos quanto dinâmicos, existe um processo de treinamento onde a rede armazena diversos estados possíveis para o sistema e, após este processo, busca as soluções previamente armazenadas na rede. Contudo, esta abordagem não e a mais adequada para sistemas abertos, ou seja, sistemas que não são completamente conhecidos e que podem sofrer transformações no decorrer do seu funcionamento. Este fato leva a que soluções armazenadas para uma determinada configuração do sistema não funcionem para outras configurações. Este trabalho apresenta uma estratégia de controle neural adaptativo para o posicionamento de um braço de robô no espaço. Diferentemente das abordagens tradicionais, não existe um processo de treinamento da rede, mas sim uma continua adaptação do bravo de modo a se aproximar da localização espacial (posição e orientação) desejada. Desta forma, qualquer que seja o estado corrente do ambiente no qual o sistema robótico esteja inserido, este e capaz de encontrar uma solução adaptativamente, sem as limitações impostas por configurações de braço previamente armazenadas. / Initially conceived to work inside closed industrial environments, robots are becoming part of our everyday lives. They are not demanded to execute repeated simple tasks anymore, but to interact with the world around them in an efficient and intelligent way. In order to achieve this goal, those robots must have a flexible controller, capable of adapting itself to a dynamic world. The majority of solutions to position a robot arm try to map a spatial position and orientation to a joint configuration. Since the forward kinematics function has no global inverse, several constraints must be added in order to prune the solution space, and the arm position will be restricted to the one previously mapped as the problem solution. This is not a flexible solution because any obstacle in the way will turn this approach useless. This fact obliges us to use new paradigms when programming robots, because known control techniques are, most of the time, no longer suitable. The problem of positioning a robot arm in the three-dimensional space has been studied for a long time. However, most solutions developed until now, despite the fact of providing great reliability and accuracy, lack the necessary flexibility to permit the arm to move in an open environment. Most problems to be solved by a robot arm in uncontrolled environments are mostly like the ones we solve in a daily basis, such as pick and place tasks. Those tasks don't necessarily need the accuracy provided by the known methods to positon an arm, but they do need the degree of adaptivity and flexibility that humans possess. In this thesis we will present a neural adaptive approach to solve the problem of positioning a robot arm in the space. This method works by incorporating the state of the system into the network. The network input is the current state of the system (the current arm position and orientation) and the outputs are the changes in the state variables (the joint values) in order to approximate the current state to the desired one. This is a closed-loop neural control scheme and it is done in real time without needing any previous training phase.