• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
10.11606/T.3.2019.tde-07022019-104111
Document
Author
Full name
Raphael Quachio
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2018
Supervisor
Committee
Garcia, Claudio (President)
Aguirre, Luis Antonio
Potts, Alain Segundo
Romano, Rodrigo Alvite
Santoro, Bruno Faccini
Title in Portuguese
Identificação de sistemas não-lineares de modelos com estrutura de Wiener e Hammerstein para NMPC.
Keywords in Portuguese
Controle preditivo
Identificação de sistemas
Sistemas não lineares
Abstract in Portuguese
Esta tese tem por objetivo a obtenção de modelos que apresentem melhor desempenho quando utilizados em controladores preditivos baseados em modelo (Model-based Predictive Control, MPC). Ao longo dos últimos 25 anos diversos trabalhos propuseram métodos baseados na minimização de uma função de predição múltiplos passos à frente, que se caracteriza por ser uma função não linear. Estes métodos foram denominados MPC Relevent Identification (MRI). A maioria destes artigos propõe técnicas para a obtenção de modelos lineares. Ao longo dos últimos 5 anos, alguns métodos, também baseados na minimização da função de predição múltiplos passos à frente, foram propostos para a identificação de modelos não lineares. Estes trabalhos são baseados na minimização direta da função de custo não linear, para obter com estrutura NARMAX (Nonlinear Autoregressive Moving Average with exogenous inputs). Entretanto, estruturas simplificadas de controladores MPC não lineares podem ser obtidas utilizando modelos com estruturas de Wiener e de Hammerstein. Esta tese apresenta novos resultados teóricos que permitem a obtenção de algoritmos de identificação MRI para modelos com estrutura de Wiener e Hammerstein, sem a necessidade de minimizar a função de custo não linear. Além da demonstração dos resultados teóricos, novos algoritmos são propostos tendo a sua capacidade de predição, propriedades estatísticas e aplicação em controladores MPC não lineares avaliadas.
Title in English
Nonlinear identification of models with Wiener and Hammerstein structure for NMPC.
Keywords in English
Nonlinear systems
Predictive control
Systems identification
Abstract in English
This thesis focuses on obtaining models that may produce a better performance of Model-based Predictive Controllers (MPC). Several papers published in the last 25 years have proposed methods based on the minimization of multi-step ahead prediction functions, which are inherently nonlinear. These methods have been called MPC Relevant Identification (MRI). Most of the papers focused on obtaining linear models. In the last 5 years, some methods have been proposed to obtain nonlinear models based on the minimization of the same cost function. These papers were based on the direct minimization of the nonlinear cost function to produce models with NARMAX (nonlinear Autoregressive Moving Average with exogenous inputs) structure. However, simplified MPC schemes may be obtained using models with Wiener and Hammerstein structures. This thesis presents new theoretical results which allow the development of MRI identification algorithms for models with Wiener and Hammerstein structures, without the need to perform the minimization of the nonlinear cost function. Besides the proof of theoretical results, new algorithms are developed and have their prediction capability statistical properties and performance in nonlinear MPC controllers evaluated.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2019-02-20
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2021. All rights reserved.