Identificação por predição de erro e síntese de controladores robustos

Exportado OPUSMade available in DSpace on 2019-08-10T01:10:04Z (GMT). No. of bitstreams: 1 fabr_cio_de_souza_fernandes.pdf: 1026773 bytes, checksum: ffca764e4b11db6af9cc7e26487b2165 (MD5) Previous issue date: 18Neste trabalho investiga-se como obter modelos e regiões de incerteza com objetivos de controle. Inicialmente apresenta-se conceitos relativos à identificação por predição de erro, identificação em malha fechada e construção de regiões de incerteza, denominadas regiões $Di$. Posteriormente, realiza-se um estudo sobre fatores que influenciam a qualidade da região $Di$ tendo em vista um projeto de controle robusto estabilizante. Demonstra-se que, o espectro do sinal de entrada usado durante a etapa de coleta de dados, influencia de forma determinante o tamanho da região de incerteza estimada, podendo ser usado como um parâmetro de projeto de testes para identificação e controle robusto. Sendo assim, é apresentado como principal contribuição deste trabalho a elaboração de um procedimento iterativo para identificação e controle robusto. Tal procedimento possibilita a obtenção de regiões $Di$, adequadas para projeto de controladores robustos com certa probabilidade de estabilizar e encontrar desempenho desejado com o sistema real em malha fechada. Destacam-se dois pontos chave do procedimento proposto: (1) integração de ferramentas de análise robusta, na síntese de controladores via Algoritmos Genéticos e (2) utilização de informações do pior caso de desempenho robusto como guia'' para reprojetar o experimento de identificação, caso a região $Di$ seja considerada inválida para controle. Tal procedimento é aplicado em dois extit{benchmarks} bastante utilizados pela comunidade de identificação para controle. Os resultados sugerem que, condições experimentais podem ser escolhidas em função das especificações de desempenho quando o objetivo é estimar regiões $Di$ orientadas para controle.This work investigates the estimation of models and uncertainty sets for control objectives. Firstly, one presents relative concepts to the prediction error identification, closed loop identification and uncertainty sets $Di$. Later, it is carried through a study on factors that influence the quality of the region $Di$ with the objective of robust control design. It is verified that, the power spectrum of the signal used during the stage of record data, influences the size of the region $Di$, could be used as project parameter for identification and robust control. Thus, the main contribution of this work is to proporse an iterative procedure for identification and robust control. This procedure obtained a region $Di$, tuned for robust control design with certain probability level to stabilize and to achieve the prescribed closed loop performance with the real life system. Two key points of the purpose procedure are: (1) integration of robust analysis tools, in the synthesis of controllers using Genetic Algorithms and (2) the use of worst case performance information to redesign the identification experiment, case the estimate region $Di$ is classified as it invalidates. The procedure was applied in two benchmarks generally used for the community of identification for control. The results suggest that, experimental conditions can be chosen in function of the performance specifications when the objective is to estimate regions $Di$ tuned for robust control