Submitted by Gustavo Nascimento (gustavo.diniz@ufcg.edu.br) on 2018-02-02T12:22:34Z No. of bitstreams: 1 MARIÂNGELA DA SILVA ARAÚJO EMERENCIANO - TESE PPGEQ 2014.pdf: 2549347 bytes, checksum: 4f7d187e940acf4a6dcad840f1d5c392 (MD5) / Made available in DSpace on 2018-02-02T12:22:34Z (GMT). No. of bitstreams: 1 MARIÂNGELA DA SILVA ARAÚJO EMERENCIANO - TESE PPGEQ 2014.pdf: 2549347 bytes, checksum: 4f7d187e940acf4a6dcad840f1d5c392 (MD5) Previous issue date: 2014-12-17 / Capes / Os processos industriais são sistemas multivariáveis (MIMO) que consistem de múltiplas variáveis de entrada e múltiplas variáveis de saída, onde a interação entre essas variáveis é uma característica inerente desses processos. A identificação do modelo nesse tipo de processo é uma etapa importante na implementação do sistema de controle, principalmente quando se trata de controladores MPC, os quais incorporam um modelo explícito do processo. O procedimento de identificação realizado neste trabalho propõe uma abordagem diferente da que se tem visto na literatura. Enquanto o mais comum é estimular as variáveis manipuladas, a nova abordagem proposta visa estimular o processo a partir de perturbações nos setpoints das variáveis controladas, em malha fechada, com o intuito de se obter uma melhor avaliação dos efeitos das variáveis controladas e manipuladas. A proposta deste trabalho é comparar duas estratégias de controle: uma estratégia de controle clássico e uma estratégia de controle multivariável baseado em modelo (MPC). O estudo de caso é uma coluna de separação propeno/propano de alta pureza com recompressão de vapor. Quando comparado o controle descentralizado com o controle MPC, observa-se que o MPC apresenta melhores resultados, afirmação esta, baseada nos valores do índice de desempenho IAE (Integral Absolute Error) para as duas propostas analisadas. / Industrial processes are multivariable systems (MIMO) consisting of multiple input variables and multiple output variables, where the interaction between these variables is an inherent characteristic of these processes. The model identification in this type of process is an important step in the implementation of the control system, especially when it comes to MPC controllers, which incorporate an explicit process model. The identification procedure performed in this research proposes a different approach to what has been seen in the literature. While the most common is to stimulate the manipulated variables, the proposed new approach aims to stimulate the process from disturbances in the setpoints of the controlled variables, closed loop, in order to obtain a better assessment of the effects of controlled and manipulated variables. The purpose of this study is to compare two control strategies: A classic control strategy and a multivariable control strategy based on model (MPC). The case study is a column separation of propylene / propane with high purity vapor recompression. When compared with the decentralized control the MPC control, it is observed that the MPC performs better, this statement, based on the values of IAE performance index (Integral Absolute Error) for the two proposals analyzed.

abstract: There is increasing interest in the medical and behavioral health communities towards developing effective strategies for the treatment of chronic diseases. Among these lie adaptive interventions, which consider adjusting treatment dosages over time based on participant response. Control engineering offers a broad-based solution framework for optimizing the effectiveness of such interventions. In this thesis, an approach is proposed to develop dynamical models and subsequently, hybrid model predictive control schemes for assigning optimal dosages of naltrexone, an opioid antagonist, as treatment for a chronic pain condition known as fibromyalgia. System identification techniques are employed to model the dynamics from the daily diary reports completed by participants of a blind naltrexone intervention trial. These self-reports include assessments of outcomes of interest (e.g., general pain symptoms, sleep quality) and additional external variables (disturbances) that affect these outcomes (e.g., stress, anxiety, and mood). Using prediction-error methods, a multi-input model describing the effect of drug, placebo and other disturbances on outcomes of interest is developed. This discrete time model is approximated by a continuous second order model with zero, which was found to be adequate to capture the dynamics of this intervention. Data from 40 participants in two clinical trials were analyzed and participants were classified as responders and non-responders based on the models obtained from system identification. The dynamical models can be used by a model predictive controller for automated dosage selection of naltrexone using feedback/feedforward control actions in the presence of external disturbances. The clinical requirement for categorical (i.e., discrete-valued) drug dosage levels creates a need for hybrid model predictive control (HMPC). The controller features a multiple degree-of-freedom formulation that enables the user to adjust the speed of setpoint tracking, measured disturbance rejection and unmeasured disturbance rejection independently in the closed loop system. The nominal and robust performance of the proposed control scheme is examined via simulation using system identification models from a representative participant in the naltrexone intervention trial. The controller evaluation described in this thesis gives credibility to the promise and applicability of control engineering principles for optimizing adaptive interventions. / Dissertation/Thesis / M.S. Electrical Engineering 2011

Este trabalho apresenta algumas contribuições para métodos de controle baseados em dados obtidos em apenas um experimento, a fim de torná-los mais atrativos quanto à aplicação em processos industriais. A partir de dados obtidos em experimentos no processo, os métodos baseados em dados estimam os parâmetros de um controlador de estrutura fixa por meio da minimização do erro entre a saída do sistema real em malha fechada e uma saída desejada, dada por um modelo de referência. O método Virtual Reference Feedback Tuning - VRFT é o método mais expressivo na literatura que estima os parâmetros do controlador usando apenas uma batelada de dados, mas o mesmo apresenta alguns inconvenientes em sua formulação que limitam a sua aplicação. Neste trabalho, o método VRFT é modificado de forma que se obtém um método VRFT flexível, o qual minimiza um critério flexível, pelo qual são estimados tanto os parâmetros do controlador quanto os parâmetros do numerador do modelo de referência; assim, caso a planta que se deseja controlar seja de fase não-mínima, o critério é capaz de estimar esses zeros e os mesmos devem ser incluídos no modelo de referência que será utilizado no projeto do controlador. Além disso, em sistemas com ruído, o método VRFT necessita de uma variável instrumental para que a estimativa dos parâmetros do controlador seja não-polarizada. Para eliminar a necessidade de usar variáveis instrumentais, um novo método de controle baseado em dados é proposto, o qual é descrito sob a ótica de identificação. Este método pode ser visto como a identificação de um sistema, no qual a função de transferência do processo é reparametrizada em função do controlador ideal e do modelo de referência. Além disso, estende-se a teoria de projeto de experimento com solução baseada em restrições LMI para o caso da identificação do controlador ótimo. Todas essas contribuições são ilustradas através de simulações. / This work presents some contributions to data-based control methods where data is obtained in only one experiment, in order to make them more attractive to industrial process applications. Using data from experiments on the process, data-based methods estimate the parameters of fixed structure controller, through the minimization of the error between the closed loop response of the system and the desired response, given by a reference model. The Virtual Reference Feedback Tuning - VRFT method is the most expressive method in the literature that estimates the controller parameters using only one batch of data, but this method presents some inconveniences in its formulation which limit its application. In this work, the VRFT method is modified in order to obtain a flexible VRFT method, which minimizes a flexible criterion, and then obtains the controller parameters together with the parameters related to the reference model numerator; thus, if the plant which we want to control is non-minimum phase, then the criterion is able to estimate these zeros and they need to be included in the reference model that will be used in the control design. Besides, when dealing with noisy systems, the VRFT method needs an instrumental variable so the controller parameters estimate is unbiased. In order to eliminate this necessity, a new data-based control is proposed in this work, which is formulated using identification theory. This method can be seen as the identification of a system, where the process transfer function is reparameterized as a function of the ideal controller and the reference model. Besides, we extend the experimental design theory where the problem is solved using LMI constraints to the case of the optimal controller identification method. All these contributions are illustrated through simulations.

MATTOS, C. L. C. Recurrent gaussian processes and robust dynamical modeling. 2017. 189 f. Tese (Doutorado em Engenharia de Teleinformática)–Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2017. / Submitted by Renato Vasconcelos (ppgeti@ufc.br) on 2017-09-09T02:26:38Z No. of bitstreams: 1 2017_tes_clcmattos.pdf: 5961013 bytes, checksum: fc44d8b852e28fa0e1ebe0c87389c0da (MD5) / Rejected by Marlene Sousa (mmarlene@ufc.br), reason: Prezado César; Prezado Pedro: Existe uma orientação para que normalizemos as dissertações e teses da UFC, em suas paginas pré-textuais e lista de referencias, pelas regras da ABNT. Por esse motivo, sugerimos consultar o modelo de template, para ajudá-lo nesta tarefa, disponível em: http://www.biblioteca.ufc.br/educacao-de-usuarios/templates/ Vamos agora as correções sempre de acordo com o template: 1. A partir da folha de aprovação as informações devem ser em língua inglesa. 2. A dedicatória deve ter a distancia até o final da folha observado. Veja no guia www.bibliotecas.ufc.br 3. A epígrafe deve ter a distancia até o final da folha observado. Veja no guia www.bibliotecas.ufc.br 4. As palavras List of Figures, LIST OF ALGORITHMS, List of Tables, Não devem ter caixa delimitando e nem ser na cor vermelha. 5. O sumário Não deve ter caixa delimitando e nem ser na cor vermelha. Nas seções terciárias, os dígitos também ficam em itálico. Os Apêndices e seus títulos, devem ficar na mesma margem da Palavra Referencias e devem iniciar com APENDICE A - Seguido do titulo. Após essas correções, enviaremos o nada consta por e-mail. Att. Marlene Rocha mmarlene@ufc.br on 2017-09-11T13:44:25Z (GMT) / Submitted by Renato Vasconcelos (ppgeti@ufc.br) on 2017-09-11T20:04:00Z No. of bitstreams: 1 2017_tes_clcmattos.pdf: 6102703 bytes, checksum: 34d9e125c70f66ca9c095e1bc6bfb7e7 (MD5) / Rejected by Marlene Sousa (mmarlene@ufc.br), reason: Lincoln, Falta apenas vc colocar no texto em português a palavra RESUMO (nesse caso não é traduzido pois se refere ao resumo em língua portuguesa) pois vc colocou ABSTRACT duas vezes para o texto em português e inglês. on 2017-09-12T11:06:29Z (GMT) / Submitted by Renato Vasconcelos (ppgeti@ufc.br) on 2017-09-12T14:05:11Z No. of bitstreams: 1 2017_tes_clcmattos.pdf: 6102699 bytes, checksum: 0a85b8841d77f0685b1153ee8ede0d85 (MD5) / Approved for entry into archive by Marlene Sousa (mmarlene@ufc.br) on 2017-09-12T16:29:17Z (GMT) No. of bitstreams: 1 2017_tes_clcmattos.pdf: 6102699 bytes, checksum: 0a85b8841d77f0685b1153ee8ede0d85 (MD5) / Made available in DSpace on 2017-09-12T16:29:18Z (GMT). No. of bitstreams: 1 2017_tes_clcmattos.pdf: 6102699 bytes, checksum: 0a85b8841d77f0685b1153ee8ede0d85 (MD5) Previous issue date: 2017-08-25 / The study of dynamical systems is widespread across several areas of knowledge. Sequential data is generated constantly by different phenomena, most of them we cannot explain by equations derived from known physical laws and structures. In such context, this thesis aims to tackle the task of nonlinear system identification, which builds models directly from sequential measurements. More specifically, we approach challenging scenarios, such as learning temporal relations from noisy data, data containing discrepant values (outliers) and large datasets. In the interface between statistics, computer science, data analysis and engineering lies the machine learning community, which brings powerful tools to find patterns from data and make predictions. In that sense, we follow methods based on Gaussian Processes (GP), a principled, practical, probabilistic approach to learning in kernel machines. We aim to exploit recent advances in general GP modeling to bring new contributions to the dynamical modeling exercise. Thus, we propose the novel family of Recurrent Gaussian Processes (RGPs) models and extend their concept to handle outlier-robust requirements and scalable stochastic learning. The hierarchical latent (non-observed) structure of those models impose intractabilities in the form of non-analytical expressions, which are handled with the derivation of new variational algorithms to perform approximate deterministic inference as an optimization problem. The presented solutions enable uncertainty propagation on both training and testing, with focus on free simulation. We comprehensively evaluate the proposed methods with both artificial and real system identification benchmarks, as well as other related dynamical settings. The obtained results indicate that the proposed approaches are competitive when compared to the state of the art in the aforementioned complicated setups and that GP-based dynamical modeling is a promising area of research. / O estudo dos sistemas dinâmicos encontra-se disseminado em várias áreas do conhecimento. Dados sequenciais são gerados constantemente por diversos fenômenos, a maioria deles não passíveis de serem explicados por equações derivadas de leis físicas e estruturas conhecidas. Nesse contexto, esta tese tem como objetivo abordar a tarefa de identificação de sistemas não lineares, por meio da qual são obtidos modelos diretamente a partir de observações sequenciais. Mais especificamente, nós abordamos cenários desafiadores, tais como o aprendizado de relações temporais a partir de dados ruidosos, dados contendo valores discrepantes (outliers) e grandes conjuntos de dados. Na interface entre estatísticas, ciência da computação, análise de dados e engenharia encontra-se a comunidade de aprendizagem de máquina, que fornece ferramentas poderosas para encontrar padrões a partir de dados e fazer previsões. Nesse sentido, seguimos métodos baseados em Processos Gaussianos (PGs), uma abordagem probabilística prática para a aprendizagem de máquinas de kernel. A partir de avanços recentes em modelagem geral baseada em PGs, introduzimos novas contribuições para o exercício de modelagem dinâmica. Desse modo, propomos a nova família de modelos de Processos Gaussianos Recorrentes (RGPs, da sigla em inglês) e estendemos seu conceito para lidar com requisitos de robustez a outliers e aprendizagem estocástica escalável. A estrutura hierárquica e latente (não-observada) desses modelos impõe expressões não- analíticas, que são resolvidas com a derivação de novos algoritmos variacionais para realizar inferência determinista aproximada como um problema de otimização. As soluções apresentadas permitem a propagação da incerteza tanto no treinamento quanto no teste, com foco em realizar simulação livre. Nós avaliamos em detalhe os métodos propostos com benchmarks artificiais e reais da área de identificação de sistemas, assim como outras tarefas envolvendo dados dinâmicos. Os resultados obtidos indicam que nossas propostas são competitivas quando comparadas ao estado da arte, mesmo nos cenários que apresentam as complicações supracitadas, e que a modelagem dinâmica baseada em PGs é uma área de pesquisa promissora.

Este trabalho tem o intuito, de apresentar alguns conceitos, relativos à identifi cação de sistemás, tanto lineares quanto não linearep, além da ideia de referência virtual para, em conjunto com a teoria de projeto "de controladores baseados em dados, propor uma forrha de projeto de controladores não lineares baseados em identificação de sistemas. A utilização de referência virtual para a obtenção dos sinais necessários para a caracterização do controlador ótimo de um sistema e utilizado no método VRFT (Virtual Reference Feedback Tuning). Este método serve como base para o desenvolvimento da proposta deste trabalho que, em conjunto com a teoria de identificação de sistemas não lineares, permite a obteriçãci do controlador ótimo que leva o sistema a se comportar como especificado em malha fechada. Em especial optou-se pela caracterização do controlador utilizando estrutura de modelos racional, por esta ser uma classe bastante abrangente no que - diz respeito à quantidade de sistemas reais que ela é capaz de descrever. Fara demonstrar o potencial do método proposto para projeto de controladores, são apresentados ecemplos ilustrativos em situações onde o controlador ideal consegue ser representado pela classe de modelos, e quando isso não é possível. / This work aims to present some concepts related to linear and nonlinear system identification, as well as the •concept of virtual reference that, together with data based controller design's theory, provides design framework for nonlinear controllers. The Virtual Reference Feedback Tuning method (VRFT) is used as a basis for the current proposal, where we propose to unite nonlinear system identification algorithms and virtual reference to obtain the ideal controller: the one which makes the system behave as desired in closed loop. It was choosen to model the controller as a rational model due the wide variety of practical systems that can be represented by this model structure. For rational system identification we used an iterative algorithm which, based on the signal from input and output of the pIant, allows to identify the parameters of the pre defined controller structure with the signals obtained by virtual reference. To demonstrate the operation of the proposed identification controller methodology, illustrative examples are presented in situations where the ideal controller can be represented by the class of modeIs, and also when it is not possible.

Esta tese foca no problema de estimação de estado e de identificação de parâametros para modelos afins por partes. Modelos afins por partes são obtidos quando o domínio do estado ou da entrada do sistema e particionado em regiões e, para cada região, um submodelo linear ou afim e utilizado para descrever a dinâmica do sistema. Propomos um algoritmo para estimação recursiva de estados e um algoritmo de identificação de parâmetros para uma classe de modelos afins por partes. Propomos um estimador de estados Bayesiano que utiliza o filtro de Kalman em cada um dos submodelos. Neste estimador, a função distribuição cumulativa e utilizada para calcular a distribuição a posteriori do estado assim como a probabilidade de cada submodelo. Já o método de identificação proposto utiliza o algoritmo EM (Expectation Maximization algorithm) para identificar os parâmetros do modelo. A função distribuição cumulativa e utilizada para calcular a probabilidade de cada submodelo a partir da medida do sistema. Em seguida, utilizamos o filtro de Kalman suavizado para estimar o estado e calcular uma função substituta da função likelihood. Tal função e então utilizada para identificar os parâmetros do modelo. O estimador proposto foi utilizado para estimar o estado do modelo não linear para vibrações causadas por folgas. Foram realizadas simulações, onde comparamos o método proposto ao filtro de Kalman estendido e o filtro de partículas. O algoritmo de identificação foi utilizado para identificar os parâmetros do modelo do jato JAS 39 Gripen, assim como, o modelos não linear de vibrações causadas por folgas. / This thesis focuses on the state estimation and parameter identi cation problems of piecewise a ne models. Piecewise a ne models are obtained when the state domain or the input domain are partitioned into regions and, for each region, a linear or a ne submodel is used to describe the system dynamics. We propose a recursive state estimation algorithm and a parameter identi cation algorithm to a class of piecewise a ne models. We propose a Bayesian state estimate which uses the Kalman lter in each submodel. In the this estimator, the cumulative distribution is used to compute the posterior distribution of the state as well as the probability of each submodel. On the other hand, the proposed identi cation method uses the Expectation Maximization (EM) algorithm to identify the model parameters. We use the cumulative distribution to compute the probability of each submodel based on the system measurements. Subsequently, we use the Kalman smoother to estimate the state and compute a surrogate function for the likelihood function. This function is used to estimate the model parameters. The proposed estimator was used to estimate the state of the nonlinear model for vibrations caused by clearances. Numerical simulations were performed, where we have compared the proposed method to the extended Kalman lter and the particle lter. The identi cation algorithm was used to identify the model parameters of the JAS 39 Gripen aircraft as well as the nonlinear model for vibrations caused by clearances.

Este trabalho apresenta algumas contribuições para métodos de controle baseados em dados obtidos em apenas um experimento, a fim de torná-los mais atrativos quanto à aplicação em processos industriais. A partir de dados obtidos em experimentos no processo, os métodos baseados em dados estimam os parâmetros de um controlador de estrutura fixa por meio da minimização do erro entre a saída do sistema real em malha fechada e uma saída desejada, dada por um modelo de referência. O método Virtual Reference Feedback Tuning - VRFT é o método mais expressivo na literatura que estima os parâmetros do controlador usando apenas uma batelada de dados, mas o mesmo apresenta alguns inconvenientes em sua formulação que limitam a sua aplicação. Neste trabalho, o método VRFT é modificado de forma que se obtém um método VRFT flexível, o qual minimiza um critério flexível, pelo qual são estimados tanto os parâmetros do controlador quanto os parâmetros do numerador do modelo de referência; assim, caso a planta que se deseja controlar seja de fase não-mínima, o critério é capaz de estimar esses zeros e os mesmos devem ser incluídos no modelo de referência que será utilizado no projeto do controlador. Além disso, em sistemas com ruído, o método VRFT necessita de uma variável instrumental para que a estimativa dos parâmetros do controlador seja não-polarizada. Para eliminar a necessidade de usar variáveis instrumentais, um novo método de controle baseado em dados é proposto, o qual é descrito sob a ótica de identificação. Este método pode ser visto como a identificação de um sistema, no qual a função de transferência do processo é reparametrizada em função do controlador ideal e do modelo de referência. Além disso, estende-se a teoria de projeto de experimento com solução baseada em restrições LMI para o caso da identificação do controlador ótimo. Todas essas contribuições são ilustradas através de simulações. / This work presents some contributions to data-based control methods where data is obtained in only one experiment, in order to make them more attractive to industrial process applications. Using data from experiments on the process, data-based methods estimate the parameters of fixed structure controller, through the minimization of the error between the closed loop response of the system and the desired response, given by a reference model. The Virtual Reference Feedback Tuning - VRFT method is the most expressive method in the literature that estimates the controller parameters using only one batch of data, but this method presents some inconveniences in its formulation which limit its application. In this work, the VRFT method is modified in order to obtain a flexible VRFT method, which minimizes a flexible criterion, and then obtains the controller parameters together with the parameters related to the reference model numerator; thus, if the plant which we want to control is non-minimum phase, then the criterion is able to estimate these zeros and they need to be included in the reference model that will be used in the control design. Besides, when dealing with noisy systems, the VRFT method needs an instrumental variable so the controller parameters estimate is unbiased. In order to eliminate this necessity, a new data-based control is proposed in this work, which is formulated using identification theory. This method can be seen as the identification of a system, where the process transfer function is reparameterized as a function of the ideal controller and the reference model. Besides, we extend the experimental design theory where the problem is solved using LMI constraints to the case of the optimal controller identification method. All these contributions are illustrated through simulations.

Esta tese foca no problema de estimação de estado e de identificação de parâametros para modelos afins por partes. Modelos afins por partes são obtidos quando o domínio do estado ou da entrada do sistema e particionado em regiões e, para cada região, um submodelo linear ou afim e utilizado para descrever a dinâmica do sistema. Propomos um algoritmo para estimação recursiva de estados e um algoritmo de identificação de parâmetros para uma classe de modelos afins por partes. Propomos um estimador de estados Bayesiano que utiliza o filtro de Kalman em cada um dos submodelos. Neste estimador, a função distribuição cumulativa e utilizada para calcular a distribuição a posteriori do estado assim como a probabilidade de cada submodelo. Já o método de identificação proposto utiliza o algoritmo EM (Expectation Maximization algorithm) para identificar os parâmetros do modelo. A função distribuição cumulativa e utilizada para calcular a probabilidade de cada submodelo a partir da medida do sistema. Em seguida, utilizamos o filtro de Kalman suavizado para estimar o estado e calcular uma função substituta da função likelihood. Tal função e então utilizada para identificar os parâmetros do modelo. O estimador proposto foi utilizado para estimar o estado do modelo não linear para vibrações causadas por folgas. Foram realizadas simulações, onde comparamos o método proposto ao filtro de Kalman estendido e o filtro de partículas. O algoritmo de identificação foi utilizado para identificar os parâmetros do modelo do jato JAS 39 Gripen, assim como, o modelos não linear de vibrações causadas por folgas. / This thesis focuses on the state estimation and parameter identi cation problems of piecewise a ne models. Piecewise a ne models are obtained when the state domain or the input domain are partitioned into regions and, for each region, a linear or a ne submodel is used to describe the system dynamics. We propose a recursive state estimation algorithm and a parameter identi cation algorithm to a class of piecewise a ne models. We propose a Bayesian state estimate which uses the Kalman lter in each submodel. In the this estimator, the cumulative distribution is used to compute the posterior distribution of the state as well as the probability of each submodel. On the other hand, the proposed identi cation method uses the Expectation Maximization (EM) algorithm to identify the model parameters. We use the cumulative distribution to compute the probability of each submodel based on the system measurements. Subsequently, we use the Kalman smoother to estimate the state and compute a surrogate function for the likelihood function. This function is used to estimate the model parameters. The proposed estimator was used to estimate the state of the nonlinear model for vibrations caused by clearances. Numerical simulations were performed, where we have compared the proposed method to the extended Kalman lter and the particle lter. The identi cation algorithm was used to identify the model parameters of the JAS 39 Gripen aircraft as well as the nonlinear model for vibrations caused by clearances.

Este trabalho tem o intuito, de apresentar alguns conceitos, relativos à identifi cação de sistemás, tanto lineares quanto não linearep, além da ideia de referência virtual para, em conjunto com a teoria de projeto "de controladores baseados em dados, propor uma forrha de projeto de controladores não lineares baseados em identificação de sistemas. A utilização de referência virtual para a obtenção dos sinais necessários para a caracterização do controlador ótimo de um sistema e utilizado no método VRFT (Virtual Reference Feedback Tuning). Este método serve como base para o desenvolvimento da proposta deste trabalho que, em conjunto com a teoria de identificação de sistemas não lineares, permite a obteriçãci do controlador ótimo que leva o sistema a se comportar como especificado em malha fechada. Em especial optou-se pela caracterização do controlador utilizando estrutura de modelos racional, por esta ser uma classe bastante abrangente no que - diz respeito à quantidade de sistemas reais que ela é capaz de descrever. Fara demonstrar o potencial do método proposto para projeto de controladores, são apresentados ecemplos ilustrativos em situações onde o controlador ideal consegue ser representado pela classe de modelos, e quando isso não é possível. / This work aims to present some concepts related to linear and nonlinear system identification, as well as the •concept of virtual reference that, together with data based controller design's theory, provides design framework for nonlinear controllers. The Virtual Reference Feedback Tuning method (VRFT) is used as a basis for the current proposal, where we propose to unite nonlinear system identification algorithms and virtual reference to obtain the ideal controller: the one which makes the system behave as desired in closed loop. It was choosen to model the controller as a rational model due the wide variety of practical systems that can be represented by this model structure. For rational system identification we used an iterative algorithm which, based on the signal from input and output of the pIant, allows to identify the parameters of the pre defined controller structure with the signals obtained by virtual reference. To demonstrate the operation of the proposed identification controller methodology, illustrative examples are presented in situations where the ideal controller can be represented by the class of modeIs, and also when it is not possible.

abstract: Increasing interest in individualized treatment strategies for prevention and treatment of health disorders has created a new application domain for dynamic modeling and control. Standard population-level clinical trials, while useful, are not the most suitable vehicle for understanding the dynamics of dosage changes to patient response. A secondary analysis of intensive longitudinal data from a naltrexone intervention for fibromyalgia examined in this dissertation shows the promise of system identification and control. This includes datacentric identification methods such as Model-on-Demand, which are attractive techniques for estimating nonlinear dynamical systems from noisy data. These methods rely on generating a local function approximation using a database of regressors at the current operating point, with this process repeated at every new operating condition. This dissertation examines generating input signals for data-centric system identification by developing a novel framework of geometric distribution of regressors and time-indexed output points, in the finite dimensional space, to generate sufficient support for the estimator. The input signals are generated while imposing “patient-friendly” constraints on the design as a means to operationalize single-subject clinical trials. These optimization-based problem formulations are examined for linear time-invariant systems and block-structured Hammerstein systems, and the results are contrasted with alternative designs based on Weyl's criterion. Numerical solution to the resulting nonconvex optimization problems is proposed through semidefinite programming approaches for polynomial optimization and nonlinear programming methods. It is shown that useful bounds on the objective function can be calculated through relaxation procedures, and that the data-centric formulations are amenable to sparse polynomial optimization. In addition, input design formulations are formulated for achieving a desired output and specified input spectrum. Numerical examples illustrate the benefits of the input signal design formulations including an example of a hypothetical clinical trial using the drug gabapentin. In the final part of the dissertation, the mixed logical dynamical framework for hybrid model predictive control is extended to incorporate a switching time strategy, where decisions are made at some integer multiple of the sample time, and manipulation of only one input at a given sample time among multiple inputs. These are considerations important for clinical use of the algorithm. / Dissertation/Thesis / Ph.D. Electrical Engineering 2014