Por volta de 1764 aparece um novo ramo da ciência - A teoria de controle - quando James Watt consertou uma máquina Newcomen e percebeu que essa era ineficiente, e criou um sistema de controle de velocidades. A evolução destes sistemas controladores pode ser observada no controle utilizando a equação de Riccati dependente de estados (SDRE). Apesar de ser uma técnica muito avançada em relação à capacidade de realizar o controle, alguns problemas precisam ser encarados quanto à sua utilização, como a necessidade de se ter recursos computacionais de alto nível e custo. Essas questões podem impedir o uso da técnica SDRE em alguns sistemas. Uma solução para este problema é apontada através do uso de uma rede neural (RNA) chamada de Rede Neural com Estados de Eco (ESN). As RNAs possuem arquiteturas baseadas em redes neurais biológicas para que tenhamos resultados desejados na saída. Para que essa saída seja satisfatória a rede neural passa por um processo de treinamento. Sendo assim, usase os dados de comportamento do SDRE para a realização do treinamento da ESN. Depois disso, realizam-se testes quanto à eficiência da rede neural no controle do sistema a ser controlado e ao custo computacional. Os resultados são comparados aos obtidos com o controle ESN. Este teste foi realizado para um sistema micro eletromecânico e o controle da suspensão ativa de um half-car. Os resultados obtidos foram positivos, pois a ESN conseguiu realizar o controle utilizando menos tempo de processamento em relação ao SDRE, além de possuir uma estrutura base fixa, possibilitando ajustes para realização de diferentes tipos de controle. / In around 1764, it emerged a new branch of science – the theory of control - when James Watt was given a model Newcomen engine to repair. He realised that it was hopelessly inefficient and began to work to improve the design. He did a velocit controller to solve the problem. The evolution of these systems is shown in State-dependent Riccati equation (SDRE) techniques. Although it is a very advanced technique in relation to the capacity of performing control, some problems have to be faced for its use, as the necessity of computational resources of high level and cost, which may impede the use of SDRE in some systems. The solution for these problems is pointed out in this study by the use of Echo State Neural Networks (ESNs). These neural networks have inputs and outputs and the inputs are processed through the use of algorithms in order to reach the desired results, and for that the neural network has to be under a task of training. After that we use the behavioral SDRE data for the training followed by the neural network efficiency test for the system control and for the computational cost. The results are compared to the ones obtained with the ESN control. This test was realized for a micro eletromechanical system and the control of the active suspension of a half-car. The results were positive as the ESN could perform the control in a short time in relation to the SDRE. There is also a fixed structure which makes possible some adjusts for different kinds of control.
| Identifer | oai:union.ndltd.org:IBICT/urn:repox.ist.utl.pt:RI_UTFPR:oai:repositorio.utfpr.edu.br:1/2456 |
| Date | 06 February 2015 |
| Creators | Moletta, Eduardo |
| Contributors | Pontes, José Carlos Alberto de, Verges, Marcos Cesar, Boccato, Levy, Tusset, Angelo Marcelo, Siqueira, Hugo Valadares, Pontes, José Carlos Alberto de |
| Publisher | Universidade Tecnológica Federal do Paraná, Ponta Grossa, Programa de Pós-Graduação em Engenharia Elétrica, UTFPR, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UTFPR, instname:Universidade Tecnológica Federal do Paraná, instacron:UTFPR |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0027 seconds