As inúmeras aplicações industriais mostram a grande importância de máquinas rotativas nas diversas etapas do sistema produtivo e também as sérias consequências econômicas por eventuais mau funcionamento. O mancal é o elemento principal que define as características dinâmicas de máquinas rotativas e são projetados para trabalhar em determinada faixa de operação que em situações imprevistas pode não ser as mais apropriadas. Através do controle ativo é possível alterar as características dinâmicas do mancal e reduzir possíveis instabilidades do sistema melhorando a faixa de operação. Nesse intuito, é proposto o algoritmo de controle preditivo neural (Neural Network Model Predictive Control-NNMPC) que precisa de uma identificação neural da planta para predizer as saídas futuras do sistema e assim resolver o problema de otimização quadrática para calcular os sinais de controle ótimos. Assim, será controlado o deslocamento do rotor sob uma trajetória de referência. O primeiro algoritmo estudado foi o NNMPC-SISO. O processo de identificação neural do sistema foi realizado a partir de dados numéricos do sistema obtidos das equações não-lineares representadas em Simulink para uma velocidade de rotação fixa de 30 Hz (1800 rpm). O segundo algoritmo estudado foi o NNMPCMIMO. Para a identificação multivariável da planta, utilizaram-se dados experimentais obtidos da bancada de testes para diferentes amplitudes de excitação a uma velocidade de rotação fixa de 20 Hz (1200 rpm). Esta identificação foi mediante uma rede neural NARX MIMO que utilizou as entradas de excitação u₁ e u₂ e novas entradas adaptadas as formas das equações não-lineares do sistema. Os resultados do algoritmo NNMPC-SISO mostraram que para a identificação o número de neurônios necessários foi de 10 e o algoritmo de treinamento foi o Levenberg-Marquardt. O controle do deslocamento do rotor sob a trajetória de referência foi aceitável mesmo em condições de perturbação externa ou velocidades de rotação no consideradas no treinamento da rede neural (20 e 40 Hz). Os resultados do algoritmo NNMPC-MIMO para a identificação multivariável mostraram que o incremento de entradas resultou numa melhoria significativa no processo de identificação porque conseguiu-se melhorar a generalização do conhecimento das características não-lineares da planta. Para tanto, foram necessários 20 neurônios e o algoritmo de treinamento Regularização Bayesiana. Já o controle foi capaz de manter o deslocamento do rotor na trajetória de referência em qualquer quadrante desejado mesmo considerando o distúrbio por desbalanço e o ruído.

The numerous industrial applications show the great importance of rotary machines in the various stages of the production system and the serious economic consequences due to possible malfunctions. The bearing is the main element that defines the dynamic characteristics of the rotary machines and are design to work in a certain operating range. The active control changes the dynamic characteristics of the bearing and reduces possible instabilities of the system improving operating range. The neural network model predictive control algorithm (NNMPC) that uses of a neural network for identification of the nonlinear plant model. Hence, it calculates future control signals solving online for at each sampling instant a quadratic optimization equations based on the error between the nonlinear predictions and the reference trajectory in a horizon of prediction. The first algorithm studied was the SISO-NNMPC. The process identification using neural network carried out from numerical dataset. These values obtained from the nonlinear equations represented in Simulink model for a fixed rotation speed of 30 Hz (1800 rpm). The second algorithm studied was the MIMO-NNMPC. For the multivariable identification of the plant, we used experimental datasets. These values obtained from the test rig for different excitation amplitudes for a fixed rotation speed of 20 Hz (1200 rpm). The multivariable identification used a neural MIMO NARX model. Initially used two datasets (u1 and u2) and later that used nine new inputs with nonlinear equations forms of the plant. The non-linear identification of the SISO NARX results showed that needed 10 neurons were and the levenberg-marquardt training algorithm. The control of rotor displacement for reference trajectory was acceptable even in disturbance conditions or speeds of rotation not considered in the neural network training (20 and 40 Hz). The nonlinear multivariable identification of the MIMO NARX results showed that increment of nine new data sets significant improvement in the nonlinear identification process because improve generalization capability of the neural network MIMO NARX. The nonlinear multivariable identification results showed that necessary 20 neurons and Bayesian Regularization training algorithm. The control of rotor displacement was acceptable even in disturbance and noise condition.