301 |
Reconciliação dinâmica de dados baseada em estimadores em uma malha de controle MPC / Dynamic data reconciliation based on estimators in a MPC control loopSilva, Guilherme Moura Afonso da 27 April 2017 (has links)
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The data reconciliation in process control is extremely important regarding the
industries because from this it is possible to obtain a greater efficiency in the
performance in industrial process control meshes aiming at a lower cost and a higher
quality of the product. In this work we approach data estimation techniques for the
implementation of an online dynamic data reconciliation system in order to reduce the
noise and the measurement uncertainties that are submitted in the process variables. The
techniques used here are: the Kalman Filter, the Preditor-Corrector DDR Algorithm, the
Moving Horizon Estimator (MHE) and the Constrained Extended Kalman Filter
(CEKF). The analysis is performed by applying the dynamic data reconciliation system
in a simulated process, characteristic of the chemical industry, operating under MPC
(Model Predictive Control). The performance of the MPC controller is also enhanced by
the use of the reconciled data in the feedback control loop. / A reconciliação de dados em controle de processos é extremamente importante no que
diz respeito às indústrias, pois a partir dessa é possível obter uma maior eficiência no
desempenho em malhas de controle de processos industriais visando à minimização dos
custos e maximizando a qualidade do produto. Neste trabalho abordam-se técnicas de
estimação de dados para a implementação de um sistema de reconciliação dinâmica de
dados on-line a fim de reduzir os ruídos e as incertezas de medições a que estão
submetidas às variáveis do processo. As técnicas aqui empregadas são: o Filtro de
Kalman, o Algoritmo DDR Preditor-Corretor, o Estimador de Horizonte Móvel (MHE)
e o Filtro de Kalman Estendido com Restrições (CEKF). As análises são efetuadas
aplicando o sistema de reconciliação dinâmica de dados em um processo simulado,
característico da indústria química, operando sob controle preditivo (MPC). Também é
efetuado o aprimoramento no desempenho do controlador MPC utilizando os dados
reconciliados na malha de realimentação do controlador.
|
302 |
Detecção de erros planta-modelo em sistemas de controle preditivo (MPC) utilizando técnicas de informação mútua / Detecting plant-model mismatch in predictive control systems (MPC) using mutual information techniquesCruz, Diego Déda Gonçalves Brito 08 March 2017 (has links)
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Model predictive control (MPC) strategies have become the standard for advanced
control applications in the process industry. Significant benefits are generated from the
MPC's capacity to ensure that the plant operates within its constraints more profitably.
However, like any controller, after some time under operation, MPCs rarely function as
when they were initially designed. A large percentage of performance degradation of
MPC is associated with the deterioration of model that controller uses to predict process
outputs and calculate inputs. The objective of the present work is implementation of
mathematical methods that can be used to detect model-plant mismatch in linear and nonlinear
MPC systems. In this work, techniques based on cross correlation, partial
correlation and mutual information are implemented and tested by numerical simulation
in case studies characteristic of the petrochemical industry, represented by linear and
nonlinear models, operating under MPC control. The results obtained through the
applying the techniques are analyzed and compared as to their efficiency is not intended
to offer their potential for real industrial applications. / Estratégias de controle preditivo (MPC) têm-se tornado o padrão para aplicações de
controle avançado na indústria de processos. Os benefícios significativos são gerados a
partir da habilidade do controlador MPC de assegurar que a planta opere dentro das
restrições de forma mais lucrativa. Porém, como todo controlador, depois de algum tempo
em operação, os MPCs raramente funcionam como quando foram inicialmente
projetados. Uma grande porcentagem da degradação do desempenho dos controladores
MPC está associada à deterioração do modelo que o controlador usa para fazer a predição
das saídas do processo e calcular as entradas. O objetivo do presente trabalho é a
implementação de métodos matemáticos que possam ser utilizados para a detecção de
erros planta-modelo em sistemas de controle MPC lineares e não lineares. Neste trabalho,
técnicas baseadas em correlação cruzada, correlação parcial e informação mútua são
implementadas e testadas por simulação numérica em estudos de caso característicos da
indústria petroquímica, representados por modelos lineares e não lineares, operando sob
controle MPC. Os resultados obtidos através da aplicação das técnicas são analisados e
comparados quanto à sua eficiência no objetivo proposto avaliando seu potencial para
aplicações industriais reais.
|
303 |
Obtenção da margem minima de estabilidade de tensão de sistemas eletricos de potencia / Computation of voltage stability margins of power systemsBedoya Bedoya, Duvier Rolando 08 October 2007 (has links)
Orientadores: Carlos Alberto de Castro Junior, Luiz Carlos Pereira da Silva / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-08T23:29:31Z (GMT). No. of bitstreams: 1
BedoyaBedoya_DuvierRolando_M.pdf: 801505 bytes, checksum: 8566b9558e25c36e418f2d8d82398e68 (MD5)
Previous issue date: 2007 / Resumo: Este trabalho apresenta uma nova e rápida metodologia para calcular a margem mínima de estabilidade de tensão de sistemas de potência. O cálculo da margem de estabilidade de tensão (MET) é normalmente requerido no planejamento e operação dos sistemas de potência. Usualmente, a carga é incrementada em uma direção predefinida baseada em históricos ou previsão da demanda (por exemplo, com fator de potência constante, seguido por um incremento proporcional nos MW da geração) até que o ponto de máximo carregamento (PMC) seja obtido. O cálculo da margem mínima METm, permite obter a pior direção de incremento de carga. Além disso, podem se apresentar situações onde incrementos de carga imprevistos em uma barra ou área conduzam a uma margem menor, arriscando a operação do sistema em modo seguro. O objetivo deste trabalho é apresentar uma metodologia nova e eficiente, do ponto de vista computacional, para obter a METm e a correspondente direção que é equivalente à pior direção de incremento de carga. Esta informação, com a margem que usualmente é calculada, permite que os operadores do sistema tomem medidas preventivas de controle para retornar ou manter o sistema em modo de operação seguro. Adicionalmente, é apresentado um estudo de áreas críticas para identificar as regiões ou barras que mais estão contribuindo a perda de estabilidade de tensão. É possível encontrar a melhor ação de controle, como corte de carga ou compensação reativa / Abstract: This work presents a new and fast method for computing the minimum voltage stability margin of electric power systems. The computation of the voltage stability margin (VSM) is often required for the planning and operation of power systems. Usually, loads are increased along a predefined direction, which can be estimated based on historical data or load forecast (e.g. with constant power factor, followed by a proportional MW generation increase) up to the system's maximum loading point is reached. The computation of the minimum VSM (mVSM) allows obtaining the load increase worst scenario. Also, situations may occur where variations from the predefined load increase direction, as for example, an unexpected load increase at some bus or area, may result in smaller VSM, taking the system to an insecure operating state. The aim of this work is to propose a new and fast method to compute the mVSM? and the corresponding load increase direction for which it occurs. This information, along with the usual VSM, allows operators to take measures like preventive control actions to move the system to securer operating points. Also a general study of critical areas is shown in order to identify the weakest region and bus that are contributing to the loss of voltage stability. It is possible to _nd the best control actions, like load curtailment or reactive compensation / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica
|
304 |
Aplicação de controlador preditivo baseado em modelo (MPC) para sistema de geração distribuída constituído por inversor trifásico a quatro braços / Application of model predictive controller (MPC) for distributed generation system consisting of three-phase four-leg inverterPinto, Lázaro Rubens Araújo 07 August 2017 (has links)
Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-10-06T12:04:38Z
No. of bitstreams: 2
Dissertação - Lázaro Rubens Araújo Pinto - 2017.pdf: 16272237 bytes, checksum: 9f3d1693d0282cbf28a35702c1a9cf17 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-10-06T12:04:51Z (GMT) No. of bitstreams: 2
Dissertação - Lázaro Rubens Araújo Pinto - 2017.pdf: 16272237 bytes, checksum: 9f3d1693d0282cbf28a35702c1a9cf17 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-10-06T12:04:52Z (GMT). No. of bitstreams: 2
Dissertação - Lázaro Rubens Araújo Pinto - 2017.pdf: 16272237 bytes, checksum: 9f3d1693d0282cbf28a35702c1a9cf17 (MD5)
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Previous issue date: 2017-08-07 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This work proposes an analysis of the closed-loop operation of a distributed generation system connected to a three-phase four-wire AC power system by a three-phase four-leg inverter.
The modulation strategy adopted for this inverter is determined by the Model Predictive Control (MPC) method. Reasons for the use of this topology and the control method are discussed.
The chosen structure for the MPC predictive control aims to supply of active and reactive power by the inverter in order to maximize the power factor measured by the four-wire AC source (Y-n). Four possible cases of operation are reported for the analysis of the proposal in the three-phase four-leg inverter and other two cases for a three-phase full-bridge inverter (3F) for comparison purposes. Based on the monitoring of the active powers involved and the other variables of interest, it was possible to exemplify the achievement of the proposed objectives and validate the adopted method, at least under modeling and software simulation level. / Este trabalho propõe uma análise da operação em malha fechada de um sistema de geração distribuída para conexão em um sistema trifásico a quatro fios, a partir do controle de um inversor trifásico a quatro braços. A estratégia de modulação adotada para este inversor é determinada pelo método de controle preditivo baseado em modelo (MPC - Model Predictive Control). Justificativas para a utilização dessa topologia e do método de controle são discutidas. A estrutura escolhida para o controle preditivo MPC objetiva o fornecimento de potência ativa e reativa pelo inversor tendo em vista a maximização do fator de potência medido a partir da fonte pela fonte CA a quatro fios (Y-n). Quatro casos são abordados para análise da proposta no inversor trifásico a quatro braços e dois casos para um inversor trifásico em ponte completa (3F) para efeito de comparação. Baseando-se no monitoramento das potências elétricas envolvidas e nas demais grandezas de interesse, foi possível concluir que os resultados de simulações exemplificam o alcance dos objetivos propostos e validam o método adotado, pelo menos em relação à modelagem matemática empregada e à simulação do sistema de geração proposto em ambiente computacional.
|
305 |
[en] ADVANCED ESTIMATION AND CONTROL APPLIED TO VEHICLE DYNAMIC SYSTEMS / [pt] ESTIMAÇÃO E CONTROLE AVANÇADOS APLICADOS A SISTEMAS DINÂMICOS VEICULARESELIAS DIAS ROSSI LOPES 26 April 2022 (has links)
[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.
|
306 |
[pt] ESTIMAÇÃO DE HORIZONTE FINITO APROXIMADA E CONTROLE PREDITIVO DE SISTEMAS CHAVEADOS APLICADOS A MANIPULADORES ROBÓTICOS FLEXÍVEIS / [en] SWITCHING RECEDING-HORIZON APPROXIMATE ESTIMATION AND CONTROL OF A FLEXIBLE JOINT ROBOTIC MANIPULATORLARA CANDIDO ALVIM 30 October 2023 (has links)
[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.
|
307 |
[pt] IDENTIFICAÇÃO NÃO-LINEAR E CONTROLE PREDITIVO DA DINÂMICA DO VEÍCULO / [en] NONLINEAR IDENTIFICATION AND PREDICTIVE CONTROL OF VEHICLE DYNAMICSLUCAS CASTRO SOUSA 28 March 2023 (has links)
[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.
|
308 |
[pt] CONTROLE PREDITIVO COM APRENDIZADO POR REFORÇO PARA PRODUÇÃO DE ÓLEO EM POÇOS INTELIGENTES / [en] PREDICTIVE CONTROL WITH REINFORCEMENT LEARNING FOR OIL PRODUCTION IN SMART WELLSALVARO GUSTAVO TALAVERA LOPEZ 11 March 2020 (has links)
[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.
|
309 |
[pt] CONTROLE PREDITIVO BASEADO EM MODELO NÃO LINEAR APLICADO A UMA COLUNA DESPROPANIZADORA / [en] NONLINEAR MODEL PREDICTIVE CONTROL APPLIED TO A DEPROPANIZER COLUMNANA CAROLINA GUIMARAES COSTA 30 September 2020 (has links)
[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.
|
310 |
[pt] FRAMEWORK DE INTEGRAÇÃO DE OTIMIZAÇÃO DE TRAJETÓRIAS OFF-LINE E CONTROLE PREDITIVO ON-LINE PARA ROBÔS COM PERNAS / [en] INTEGRATION FRAMEWORK FOR OFFLINE TRAJECTORY OPTIMIZATION AND ONLINE MODEL PREDICTIVE CONTROL FOR LEGGED ROBOTSLEONARDO GARCIA MORAES 03 December 2024 (has links)
[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.
|
Page generated in 0.096 seconds