Granular feedback linearization an approach using participatory learning = Realimentação granular linearizante: uma abordagem por aprendizagem participativa

Autor: Oliveira, Lucas Silva de, 1982
Přispěvatelé: Gomide, Fernando Antonio Campos, 1951, Leite, Valter Junior de Souza, Dória Neto, Adrião Duarte, Nascimento Júnior, Cairo Lúcio, Souza, Matheus, Oliveira, Ricardo Coração de Leão Fontoura de, Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação, Programa de Pós-Graduação em Engenharia Elétrica, UNIVERSIDADE ESTADUAL DE CAMPINAS
Rok vydání: 2020
Předmět:
Zdroj: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
DOI: 10.47749/t/unicamp.2019.1081718
Popis: Orientadores: Fernando Antônio Campos Gomide, Valter Júnior de Souza Leite Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação Resumo: A linearização de sistemas não lineares por realimentação baseia-se no princípio do cancelamento exato das não linearidades presentes na dinâmica do sistema. Em geral, sistemas reais são complexos e seus modelos estão sujeitos a dinâmicas negligenciadas na modelagem, a incertezas nos parâmetros e a parâmetros variantes no tempo. Por essas razões, a linearização por realimentação exata pode apresentar comportamento e desempenho indesejáveis tais como, erro em regime permanente, comportamento cíclico, ou instabilidade. A realimentação granular linearizante com aprendizagem participativa é uma nova abordagem de controle adaptativo baseado na aprendizagem participativa. Esta abordagem agrega robustez e adaptação à malha de controle da linearização por realimentação. A abordagem proposta usa o algoritmo de aprendizagem participativa e conceitos da computação granular para estimar o erro de modelagem e mitigar seus efeitos em malha fechada. São investigadas três topologias de controle distintas: a primeira assume que um modelo nominal do sistema é conhecido e admitindo, porém, incertezas paramétricas e dinâmica negligenciada durante o processo de modelagem. A segunda topologia usa a técnica da linearização por realimentação, porém sem conhecimento prévio do modelo do sistema a ser linearizado. Neste caso, o algoritmo de aprendizagem participativa é o único responsável por determinar a lei de controle linearizante. A terceira topologia é um esquema de controle em que um estimador de estados de alto ganho é associado à malha de linearização por realimentação. Neste caso, os estados estimados são utilizados durante a granularização do espaço de estado e pelo algoritmo de aprendizagem participativa. É feita uma análise de estabilidade local da abordagem. O desempenho de cada uma das topologias de controle são avaliadas no controle do nível de tanque, controle da posição angular de um braço robótico, da posição angular de uma placa acionada por fluxo de ar, e controle de rotação angular da junta do joelho via estimulação funcional elétrica. Simulação e verificação experimental de alguns dos processos estudados fazem parte da avaliação de desempenho. Os resultados indicam que a realimentação granular linearizante com aprendizagem participativa aumenta significativamente a robustez e adaptabilidade da linearização por realimentação Abstract: Feedback linearization is a powerful control method based on the exact cancellation of nonlinearities of nonlinear systems. Real world systems are complex, nonlinear, time-variant, and the system models are subject to uncertainties caused by neglected dynamics and imprecise parameter values. Differences between actual systems and their models preclude exact cancellation, what induce unexpected behavior of feedback linearization closed-loop control such as offset error, limit cycle, and instability. This thesis develops a granular feedback linearization control approach using participatory learning, a novel adaptive control approach whose aim is to improve robustness and adaptiveness of feedback linearization control. The approach uses evolving participatory learning and concepts of the granular computing to estimate modeling errors, and employes the error information to mitigate its effects in the feedback control loop. Three distinct approaches are developed: the first assumes that a model subject to additive uncertainties is available. The evolving participatory learning algorithm produces estimates of the additive disturbances needed to cancel the nonlinearities. The second approach does not require a model for the system at all. The control input is computed using evolving participatory learning to estimate the system nonlinearities directly. Inspired in the certainty equivalence principle, the estimates replace the true values of the nonliearities in the ideal, exact feedback linearization control law. The third approach uses a high-gain state observer in the feedback linearization control loop. The participatory learning algorithm uses estimated values of the state instead of the true ones to cancel the nonlinearities of the system. Local Lyapunov stability analysis of the feedback linearization control system is studied. The performance of the approaches are evaluated using the level control of a surge tank, the angular position control of a fan and plate system, knee joint control using functional electric stimulation, and a DC motor driven rigid arm. Numerical and experimental results indicate that the granular feedback linearization with participatory learning significantly increases the robustness and adaptability of feedback linearization control Doutorado Automação Doutor em Engenharia Elétrica
Databáze: OpenAIRE
Externí odkaz: