Sintonia automatizada de ganhos de retroação de estados em sistemas de controle com o auxílio de redes neurais artificiais.

Abstract

Este trabalho propõe uma metodologia para a sintonia de ganhos de sistemas de controle automático baseados em realimentação de estados. O objetivo da metodologia é encontrar de forma eficiente condições de sintonia que atendam aos requisitos de projeto previamente definidos. O cumprimento destes requisitos é quantificado objetivamente, através de índices de desempenho (custos), que avaliam os diferentes critérios de desempenho do sistema. Um conjunto inicial de ganhos de realimentação é obtido através da técnica LQR (Linear Quadratic Regulator), aplicada a um modelo simplificado do sistema de controle. Em seguida, para cada ganho de realimentação, é definido um fator multiplicador, ao qual são atribuídos valores discretizados dentro de um intervalo determinado, e então é gerada uma série de conjuntos de fatores multiplicadores, contendo todas as combinações possíveis entre esses valores. Os ganhos iniciais são multiplicados por cada um dos conjuntos de fatores multiplicadores, gerando uma série de conjuntos de ganhos de realimentação. Para cada um desses conjuntos de ganhos, realiza-se uma simulação com o modelo completo do sistema em malha fechada, e obtêm-se custos (índices de desempenho) correspondentes. Os conjuntos de ganhos e os respectivos custos associados são utilizados para o treinamento de uma rede neural do tipo MLP (multi-layer perceptron), que estimará as possíveis melhores soluções, que possuem os menores custos associados. Essas soluções são validadas por meio de novas simulações, utilizando o sistema completo e então, por fim, é escolhida a solução que melhor sintoniza o sistema. A metodologia é ilustrada com uma aplicação em um sistema de controle do tipo C* (“C-star”) controlando um modelo longitudinal linearizado de uma aeronave. Os resultados mostram que os requisitos de projeto são satisfatoriamente atendidos com um custo computacional bastante eficiente e promissor.