No description available.

[pt] Nos últimos anos, os avanços mais recentes em robótica e suas aplicações têm sido usados para reduzir a carga de trabalho e os requisitos de mão-de-obra, melhorando o ambiente, a saúde e a segurança, particularmente nos sistemas de produção agrícola. Robôs autônomos fazem parte de tal inovação tecnológica e os robôs móveis com esteiras, em particular, têm sido amplamente utilizados em campos agrícolas em todo o mundo, já que suas esteiras proporcionam uma grande área de contato em solos úmidos e terrenos irregulares, evitando que o robô fique preso e melhorando a sua mobilidade. Neste trabalho, aborda-se a modelagem e o controle de robôs móveis com esteiras (Tracked Mobiler Robots, TMRs) para executar tarefas de vigilância em campos agrícolas. A metodologia proposta considera que o modelo cinemático do TMR são incertos devido ao escorregamento inerente entre as esteiras e o terreno. Para lidar com as incertezas de modelagem e perturbações externas, utiliza-se uma estratégia de controle robusto baseada na abordagem de modos deslizantes. Uma interface de usuário móvel (Mobile User Interface, MUI) baseada no sistema operacional Android é desenvolvida para controlar o robô movél com esteiras de forma manual ou autônoma. A partir da MUI, o operador humano pode visualizar as informações capturadas de sensores externos e internos. Simulações numéricas em MATLAB são realizadas para verificar o desempenho do controladores, bem como validar o modelo cinemático do robô, em diferentes configurações iniciais. / [en] In recent years, the latest advances in robotics and its applications have been used to reduce the workload and manpower requirements, improving the environment, health and safety (EHS) conditions, particularly in agricultural production and farming systems. Autonomous robots are part of such technological innovation and Tracked Mobile Robots (TMRs), in particular, have being widely used on agricultural fields around the world, since their tracks provide a large contact area on the wet soils and irregular terrains avoiding the robot to get stuck. In this work, we address the modeling and control design of tracked mobile robots (TMRs) able to perform surveillance tasks in agricultural fields. The proposed methodology considers that the kinematic models of the TMRs are both uncertain due to the inherent slippage between the tracks and the terrain. To deal with the modeling uncertainties and external disturbances, we use the sliding mode control (SMC) approach. A Mobile User Interface (MUI) based on Android operating system. is developed to control the TMR manually or autonomously. By using the MUI the human operator can visualize the information captured from external and internal sensors. Numerical simulations in MATLAB are carried out to verify the performance of the controller as well as validate the robot kinematic model under different configurations.

[ES] Los sistemas de ingeniería o físicos suelen ser inciertos. Su incertidumbre se manifiesta cuando el sistema muestra comportamientos que son relativamente diferentes a los que su modelo predice; estando principalmente causada por: errores de modelado; dinámicas desconocidas; cambios en las propiedades del sistema; interacciones aleatorias con otros sistemas; o cambios en las condiciones de operación. Durante los últimos 40 años, se ha demostrado reiteradamente que las incertidumbres de los sistemas pueden tener efectos muy negativos sobre el comportamiento de un controlador si éstas no se consideran adecuadamente sus formulaciones matemáticas. Por esta razón, una parte importante de la investigación actual está centrada en este tema; buscando las formas mas adecuadas para representar matemáticamente las incertidumbres de los sistemas, así como buscando nuevas herramientas matemáticas que permitan hacer uso de ésta representación de la incertidumbre con el objetivo de diseñar algoritmos de control robustos. En esta tesis se presentan nuevas aportaciones en esta línea. Concretamente, se desarrollan nuevas metodologías para diseñar controladores (DOBCs) y predictores (DOBPs) para sistemas dinámicos inciertos basados en observadores de perturbaciones. La principal aportación es demostrar que los DOBCs se pueden sintetizar desde un enfoque de control óptimo; siendo su principal criterio de diseño el de aproximar la -irrealizable- señal de control óptima que minimiza un índice de coste cuadrático sujeto a un modelo dinámico lineal (LTI). Este nuevo enfoque de diseño es indistintamente válido para modelos SISO/MIMO con múltiples o únicas perturbaciones. Además permite un ajuste del controlador muy intuitivo gracias a las matrices de ponderación del coste. De forma similar; los DOBPs se construyen con el objetivo de aproximar la solución temporal un sistema dinámico perturbado. Con el objetivo de contextualizar la aportación, el documento también incluye un breve resumen de los principales métodos de control robusto y el impacto que han tenido en la revolución tecnológica del siglo XXI; algunas discusiones sobre la utilidad de los modelos LTI perturbados para representar sistemas dinámicos inciertos; y algunas relaciones, comparaciones y simulaciones numéricas de los métodos propuestos con otras técnicas de control. / [CA] Els sistemes d'enginyeria o físics solen ser incerts. La seua incertesa es manifesta quan el sistema mostra comportaments que són relativament diferents als que el seu model prediu; sent principalment causada per: errors de modelatge; dinàmiques desconegudes; canvis en les propietats del sistema; interaccions aleatòries amb altres sistemes; o canvis en les condicions d'operació. Durant els últims 40 anys, s'ha demostrat reiteradament que les incerteses dels sistemes poden tindre efectes molt negatius sobre el comportament d'un controlador si aquestes no es consideren adequadament les seues formulacions matemàtiques. Per aquesta raó, una part important de la investigació actual està centrada en aquest tema; buscant les formes mes adequades per a representar matemàticament les incerteses dels sistemes, així com buscant noves tècniques matemàtiques que permeten fer ús d'aquesta representació de la incertesa amb l'objectiu de dissenyar algorismes de control robustos. En aquesta tesi es presenten noves aportacions en aquesta línia. Concretament, es desenvolupen noves metodologies per a dissenyar controladors (DOBCs) i predictors (DOBPs) per a sistemes dinàmics incerts basats en observadors de pertorbacions. La principal aportació és demostrar que els DOBCs es poden sintetitzar des d'un punt de vista de control òptim; sent el seu principal criteri de disseny el d'aproximar la -irrealitzable- senyal de control òptima que minimitza un índex de cost quadràtic restringit a un model dinàmic lineal (LTI). Aquest nou plantejament és indistintament vàlid per a models SISO/MIMO amb múltiples o úniques pertorbacions. A més permet un ajust del controlador molt intuïtiu gràcies a les matrius de ponderació del cost. De manera similar; els DOBPs es construeixen amb l'objectiu d'aproximar la solució temporal un sistema dinàmic pertorbat. Amb l'objectiu de contextualitzar l'aportació, el document també inclou un breu resum dels principals mètodes de control robust i l'impacte que han tingut en la revolució tecnològica del segle XXI; algunes discussions sobre la utilitat dels models LTI pertorbats per a representar sistemes dinàmics incerts; i algunes relacions, comparacions i simulacions numèriques dels mètodes proposats amb altres tècniques de control. / [EN] Engineering or physical systems are used to be uncertain. Its uncertainty is manifested whenever the system shows behaviors that are relatively different than the ones predicted by its model; being mostly caused by: modeling errors; unknown dynamics; changes in the system properties; random interactions with other systems; or changes in the operating conditions. Through the last 40 years, it has been persistently proved that the system uncertainties could have very negative effects in the performance of a feedback regulator if they are not properly considered in the mathematical formulations of the employed algorithms. Thus, an important part of the recent research is focused on this topic; searching for the most appropriate ways to mathematically represent the system uncertainties and looking for new mathematical-tools that permit to make use of such uncertainty-representation in order to design robust control algorithms. In this thesis, new contributions in this line are provided. Concretely, novel methodologies to design Disturbance Observer-Based Controllers (DOBCs) and Predictors (DOBPs) for uncertain dynamic systems are developed. The main contribution is to show that the DOBCs can be constructed from an optimality-based approach, with the main objective of approximating the -unrealizable- optimal control signal that minimizes a quadratic-cost performance index subject to a LTI disturbed model constraint. This novel robust control design is indistinctly valid for SISO/MIMO models with single/multiple matched/mismatched disturbances; offering also a highly intuitive and versatile tuning through the weighting matrices. Similarly, the DOBPs are synthesized in order to approximate the time-domain solution of LTI disturbed models. For the sake of completeness, the document also includes a brief review of the main robust control methods and the impact that they have had on the technological revolution of the 21st century; some discussions about the usefulness of the LTI disturbed models for representing uncertain dynamic systems; and different relationships, comparisons and numerical simulations, of the proposed methods with other control approaches. / Castillo Frasquet, A. (2021). Novel Strategies to design Controllers and State Predictors based on Disturbance Observers [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/165034

Ces travaux de thèse concernent l'analyse de la robustesse (stabilité et performance) de systèmes linéaires incertains de grande dimension avec une structure hiérarchique. Ces systèmes sont obtenus en interconnectant plusieurs sous-systèmes incertains à travers une topologie hiérarchique. L'analyse de la robustesse de ces systèmes est un problème à deux aspects : la robustesse et la grande dimension. La résolution efficace de ce problème en utilisant les approches usuelles est difficile, voire impossible, à cause de la complexité et de la grande taille du problème d'optimisation associé. La conséquence de cette complexité est une augmentation importante du temps de calcul nécessaire pour résoudre ce problème d'optimisation. Afin de réduire ce temps de calcul, les travaux existants ne considèrent que des classes particulières de systèmes linéaires incertains de grande dimension. De plus, la structure hiérarchique de ces systèmes n'est pas prise en compte, ce qui montre, de notre point de vue, les limitations de ces résultats. Notre objectif est d'exploiter la structure hiérarchique de ces systèmes afin de ramener la résolution du problème d'analyse de grande taille à la résolution d'un ensemble de problèmes d'analyse de faible taille, ce qui aura comme conséquence une diminution du temps de calcul. De plus, un autre avantage de cette approche est la possibilité de résoudre ces problèmes en même temps en utilisant le calcul parallèle. Afin de prendre en compte la structure hiérarchique du système incertain de grande dimension, nous modélisons ce dernier comme l'interconnexion de plusieurs sous-systèmes incertains qui sont eux-mêmes l'interconnexion d'autres sous-systèmes incertains, etc.. Cette technique récursive de modélisation est faite sur plusieurs niveaux hiérarchiques. Afin de réduire la complexité de la représentation des systèmes incertains, nous construisons une base de propriétés de dissipativité pour chaque sous-système incertain de chaque niveau hiérarchique. Cette base contient plusieurs éléments qui caractérisent des informations utiles sur le comportement de systèmes incertains. Des exemples de telles caractérisations sont : la caractérisation de la phase incertaine, la caractérisation du gain incertain, etc.. L'obtention de chaque élément est relaxée comme un problème d'optimisation convexe ou quasi-convexe sous contraintes LMI. L'analyse de la robustesse de systèmes incertains de grande dimension est ensuite faite de façon hiérarchique en propageant ces bases de propriétés de dissipativité d'un niveau hiérarchique à un autre. Nous proposons deux algorithmes d'analyse hiérarchique qui permettent de réduire le temps de calcul nécessaire pour analyser la robustesse de ces systèmes. Un avantage important de notre approche est la possibilité d'exécuter des parties de ces algorithmes de façon parallèle à chaque niveau hiérarchique ce qui diminuera de façon importante ce temps de calcul. Pour finir et dans le même contexte de système de grande dimension, nous nous intéressons à l'analyse de la performance dans les réseaux électriques et plus particulièrement «l'analyse du flux de puissances incertaines dans les réseaux électriques de distribution». Les sources d'énergies renouvelables comme les éoliennes et les panneaux solaires sont influencées par plusieurs facteurs : le vent, l'ensoleillement, etc.. Les puissances générées par ces sources sont alors intermittentes, variables et difficiles à prévoir. L'intégration de telles sources de puissance dans les réseaux électriques influencera les performances en introduisant des incertitudes sur les différentes tensions du réseau. L'analyse de l'impact des incertitudes de puissances sur les tensions est appelée «analyse du flux de puissances incertaines». La détermination de bornes sur les modules des différentes tensions est formulée comme un problème d'optimisation convexe sous contraintes LMI. / This PhD thesis concerns robustness analysis (stability and performance) of uncertain large scale systems with hierarchical structure. These systems are obtained by interconnecting several uncertain sub-systems through a hierarchical topology. Robustness analysis of these systems is a two aspect problem: robustness and large scale. The efficient resolution of this problem using usual approaches is difficult, even impossible, due to the high complexity and the large size of the associated optimization problem. The consequence of this complexity is an important increase of the computation time required to solve this optimization problem. In order to reduce this computation time, the existing results in the literature focus on particular classes of uncertain linear large scale systems. Furthermore, the hierarchical structure of the large scale system is not taken into account, which means, from our point of view, that these results have several limitations on different levels. Our objective is to exploit the hierarchical structure to obtain a set of small scale size optimization problems instead of one large scale optimization problem which will result in an important decrease in the computation time. Furthermore, another advantage of this approach is the possibility of solving these small scale optimization problems in the same time using parallel computing. In order to take into account the hierarchical structure, we model the uncertain large scale system as the interconnection of uncertain sub-systems which themselves are the interconnection of other uncertain sub-systems, etc.. This recursive modelling is performed at several hierarchical levels. In order to reduce the representation complexity of uncertain systems, we construct a basis of dissipativity properties for each uncertain sub-system at each hierarchical level. This basis contains several elements which characterize different useful information about uncertain system behaviour. Examples of such characterizations are: uncertain phase characterization, uncertain gain characterization, etc.. Obtaining each of these elements is relaxed as convex or quasi-convex optimization problem under LMI constraints. Robustness analysis of uncertain large scale systems is then performed in a hierarchical way by propagating these dissipativity property bases from one hierarchical level to another. We propose two hierarchical analysis algorithms which allow to reduce the computation time required to perform the robustness analysis of the large scale systems. Another key point of these algorithms is the possibility to be performed in parallel at each hierarchical level. The advantage of performing robustness analysis in parallel is an important decrease of the required computation time. Finally and within the same context of robustness analysis of uncertain large scale systems, we are interested in robustness analysis of power networks and more precisely in "the uncertain power flow analysis in distribution networks". The renewable energy resources such as solar panels and wind turbines are influenced by many factors: wind, solar irradiance, etc.. Therefore, the power generated by these resources is intermittent, variable and difficult to predict. The integration of such resources in power networks will influence the network performances by introducing uncertainties on the different network voltages. The analysis of the impact of power uncertainties on the voltages is called "uncertain power flow analysis". Obtaining the boundaries for the different modulus of these voltages is formulated as a convex optimization problem under LMI constraints

Cette thèse développe des approches pour le diagnostic et le pronostic de systèmes dynamiques incertains en utilisant la technique de modélisation Bond Graph (BG). Tout d'abord, une représentation par intervalles des incertitudes paramétriques et de mesures est intégrée à un modèle BG-LFT (Linear Fractional Transformation). Une méthode de détection robuste de défaut est développée en utilisant les règles de l'arithmétique d'intervalle pour la génération de seuils robustes et adaptatifs sur les résidus nominaux. La méthode est validée en temps réel sur un système de générateur de vapeur.Deuxièmement, une nouvelle méthodologie de pronostic hybride est développée en utilisant les Relations de Redondance Analytique déduites d'un modèle BG et les Filtres Particulaires. Une estimation de l'état courant du paramètre candidat pour le pronostic est obtenue en termes probabilistes. La prédiction de la durée de vie résiduelle est atteinte en termes probabilistes. Les incertitudes associées aux mesures bruitées, les conditions environnementales, etc. sont gérées efficacement. La méthode est validée en temps réel sur un système mécatronique incertain.Enfin, la méthodologie de pronostic développée est mise en œuvre et validée pour le suivi efficace de la santé d'un sous-système électrochimique d’une pile à combustible à membrane échangeuse de protons (PEMFC) industrielle à l’aide de données de dégradation réelles. / This thesis develops the approaches for diagnostics and prognostics of uncertain dynamic systems in Bond Graph (BG) modeling framework. Firstly, properties of Interval Arithmetic (IA) and BG in Linear Fractional Transformation, are integrated for representation of parametric and measurement uncertainties on an uncertain BG model. Robust fault detection methodology is developed by utilizing the rules of IA for the generation of adaptive interval valued thresholds over the nominal residuals. The method is validated in real time on an uncertain and highly complex steam generator system.Secondly, a novel hybrid prognostic methodology is developed using BG derived Analytical Redundancy Relationships and Particle Filtering algorithms. Estimations of the current state of health of a system parameter and the associated hidden parameters are achieved in probabilistic terms. Prediction of the Remaining Useful Life (RUL) of the system parameter is also achieved in probabilistic terms. The associated uncertainties arising out of noisy measurements, environmental conditions etc. are effectively managed to produce a reliable prediction of RUL with suitable confidence bounds. The method is validated in real time on an uncertain mechatronic system.Thirdly, the prognostic methodology is validated and implemented on the electrical electro-chemical subsystem of an industrial Proton Exchange Membrane Fuel Cell. A BG of the latter is utilized which is suited for diagnostics and prognostics. The hybrid prognostic methodology is validated, involving real degradation data sets.