Propostas de metodologias para identificação e controle inteligentes

Esta tese apresenta propostas de metodologias para identificação e controle inteligentes. Uma metodologia para identificação de sistemas dinâmicos não-lineares no tempo discreto, baseada tio método de variável instrumental e no modelo nebuloso Takagi-Sugeno, é apresentada. Nesta metodologia, a qual é uma extensão do método de variável instrumental tradicional, as variáveis instrumentais escolhidas, estatisticamente independentes do ruído, são mapeadas em conjuntos nebulosos, particionando o espaço de entrada em sub-regiões, para estimação não-polarizada dos parâmetros do conseqüente dos modelos nebulosos TS em ambiente ruidoso. Um esquema de controle adaptativo gain scheduling baseado em redes neurais, sistemas nebulosos e algoritmos genéticos para sistemas dinâmicos não-lineares no tempo discreto também é apresentado. 0 controlador nebuloso é desenvolvido e projetado com o usa de um algoritmo genético para satisfazer, simultaneamente, múltiplos objetivos. Com o esquema de aprendizagem supervisionada, os parâmetros do controlador nebuloso são usados para projetar um gain scheduler neural para ajuste on-line do controlador nebuloso em alguns pontos de operação do sistema dinâmicoThis thesis presents proposals of methodologies for intelligent identification and control. A methodology tor nonlinear dynamic discrete time systems identification, based on the instrumental variable method and Takagi-Sugeno fuzzy model, is presented. In this methodology, which is an extension of the standard instrumental variable method, the chosen instrumental variables, estatistically independent of the noise, are mapped into fuzzy sets, partitioning the input space in subregions, for unbiased estimation of Takagi-Sugeno fuzzy model consequent parameters in a noisy environment. A gain scheduling adaptive control design based on neural network, fuzzy systems and genetic algorithms for nonlinear dynamic discrete time systems is also presented. The fuzzy controller is developed and designed by a genetic algorithm to satisfy, simultaneously, multiple objectives. "With the supervised learning scheme, the fuzzy controller parameters are used to design the gain neural scheduler to tune on-line the fuzzy controller in some operation points of the dynamic syste