[pt] Existe uma crescente demanda por modelos dinâmicos precisos, parte
impulsionada pelo paradigma da indústria 4.0 que introduz, dentre outros, o
conceito de gêmeo digital no qual modelos dinâmicos possuem um papel importante. Idealmente, um modelo dinâmico apresenta um compromisso entre
complexidade e precisão, enquanto proporciona informações sobre a física do
sistema. Para melhorar a precisão de um modelo mantendo a interpretabilidade, a abordagem usual é modelar matematicamente todas não-linearidades,
o que leva a um modelo muito complexo. Outra abordagem envolve identificação caixa-preta, uma abordagem onde um modelo matemático é ajustado para
descrever a relação de entrada e saída do sistema, a qual pode fornecer um
modelo preciso, porém não interpretável. Os avanços na capacidade de processamento computacional permitiram o florescimento da area de aprendizado de
máquinas, a qual tem mostrado resultados interessantes em diferentes campos
do conhecimento. Uma dessas aplicações é em identificação caixa-preta, onde
o aprendizado de máquinas tem sido empregado com sucesso na modelagem de
sistemas não-lineares, o que tem inspirado pesquisas sobre o tema. Apesar dos
modelos baseados em aprendizado de máquina apresentarem elevada precisão,
o que é suficiente para diversas aplicações, eles não são interpretáveis. Dessa
forma, visando obter modelos que possuem ambas as características de precisão
e interpretabilidade, enquanto mantém um compromisso com a complexidade,
esta tese propõe uma metodologia de identificação híbrida que combina um
modelo fenomenológico caixa cinza com um modelo caixa preta baseado em
redes neurais artificiais. A metodologia proposta é aplicada em três casos de
estudo de sistemas não lineares com dados experimentais, a saber, a dinâmica
vertical de um veículo, um atuador com junta flexível baseado em elastômero
e um sistema de posicionamento eletromecânico. Os resultados mostram que
o modelo híbrido proposto é até 60 por cento mais preciso enquanto proporciona a
interpretabilidade física do sistema, sem aumentar significativamente a complexidade do modelo. / [en] There is a growing demand for accurate dynamic models, driven by the
Industry 4.0 paradigm that introduces, among others, the concept of the digital twin in which dynamic models play an important role. Ideally, a dynamic
model presents a compromise between complexity and accuracy, while providing physical insight into the system. To improve a model accuracy while
keeping interpretability, the usual approach is to mathematically model all
the nonlinearities, which ultimately leads to an overcomplex model. Another
approach involves a black-box identification, a data-driven approach where a
mathematical model is adjusted to describe the system s input-output relation,
which may provide an accurate model, but it does not provide interpretability.
The developments in computational processing capacity have allowed the flourishing of the field of machine learning, which has shown interesting results in
different fields of knowledge. One of these applications is black-box identification, where machine learning has successfully been employed in the modeling
of nonlinear systems, which has inspired research on the topic. Even though
the machine-learning-based models present enhanced accuracy, which for several applications is sufficient, they do not provide interpretability. Aiming at
providing both accuracy and interpretability while keeping a compromise with
model complexity, this work proposes a hybrid identification methodology that
combines a gray-box phenomenological model with a black-box model based
on artificial neural networks. The proposed methodology is applied in three
case studies of nonlinear systems with experimental data, namely, the vertical
dynamics of a vehicle, an elastomer-based series elastic actuator, and an electromechanical positioning system. The results show that the proposed hybrid
model is up to 60 percent more accurate while providing the physical interpretability
of the system, without significantly increasing the complexity of the model.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:62550 |
| Date | 16 May 2023 |
| Creators | DANIEL HENRIQUE BRAZ DE SOUSA |
| Contributors | HELON VICENTE HULTMANN AYALA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0031 seconds